
# Installeren van nodige libraries indien nog niet gedaan
# !pip install ipywidgets
# !pip install tkinder
# !pip install pygame


# Importeren standaard libraries voor bestand
import os
import librosa as lr
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Importeren van FE libaries
from librosa.core import stft
from librosa.core import amplitude_to_db
import librosa.feature as lf
from librosa.feature import spectral_bandwidth, spectral_centroid
import IPython.display as ipd

# Om audio af te kunnen spelen
from IPython.display import Audio

# Importeren Clusteren
from sklearn.cluster import KMeans, Birch
from sklearn.mixture import GaussianMixture
from sklearn.metrics import silhouette_score

# Importeren PCA
from sklearn.decomposition import PCA

# Importeren NMF
from sklearn.decomposition import NMF
from sklearn.preprocessing import MinMaxScaler

# Importeren nodige libaries voor app
import random
import tkinter as tk
from tkinter import ttk
from pygame import mixer
import ipywidgets as widgets
from IPython.display import display, clear_output, HTML
from sklearn.metrics.pairwise import cosine_similarity

# Ondezoeken Feature Importances
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

pygame 2.5.2 (SDL 2.28.3, Python 3.11.4)
Hello from the pygame community. https://www.pygame.org/contribute.html


# Kiezen van audio bestand
audiofile = "m00002.wav"

# Inladen met librosa
data, sfreq = lr.load(audiofile, sr=None)

# Omzetten naar np.array
audio_data = np.stack(data, axis=0)
sample_freqs = np.array(sfreq)


def calculate_spectrograms(audio_clips, n_fft=2048,
                           hop_length=512, win_length=None):
    """
    Bereken het spectrogram voor elk
    audiofragment in de audio_clips-reeks.

    Parameters:
    ----------
    audio_clips : lijst
        Een lijst met audioclips (numpy-arrays).
    n_fft : int, optioneel
        Het aantal datapunten dat wordt gebruikt
        in elk blok voor de FFT (standaard 2048).
    hop_length : int, optioneel
        Het aantal samples tussen opeenvolgende
        frames (standaard 512).
    win_length : int, optioneel
        De venstergrootte (standaard is `n_fft`).

    Returns:
    ----------
    spectrograms : lijst
        Een lijst met spectrogrammen die
        overeenkomen met elk audioclip.
    spec_db : array
        De spectrogrammen in decibels, voor het plotten.
    """
    spectrograms = []
    spectrograms_db = []

    for clip in audio_clips:

        # Berekenen van STFT
        stft_matrix = stft(y=clip,
                           n_fft=n_fft,
                           hop_length=hop_length,
                           win_length=win_length)

        # Absoluut maken matrix
        spectrogram = np.abs(stft_matrix)

        # Omzetten naar decibel
        spec_db = amplitude_to_db(S=spectrogram,
                                  ref=np.max)

        # Spectogram toevoegen aan lijst
        spectrograms.append(spectrogram)

        # spectogram decibels toevoegen aan lijst
        spectrograms_db.append(spec_db)

    return spectrograms, spectrograms_db


def calculate_spectral_features(spectrograms):
    """
    Bereken de centroid en bandbreedte
    voor elk spectrogram in een lijst.

    Parameters:
    ----------
    spectrograms : lijst
        Een lijst met spectrogrammen.

    Returns:
    ----------
    bandwidths : lijst
        Een lijst met bandbreedtes die
        overeenkomen met elk spectrogram.
    centroids : lijst
        Een lijst met centroids die
        overeenkomen met elk spectrogram.
    """
    bandwidths = []
    centroids = []

    for spectrogram in spectrograms:

        # Berekenen van spectrale bandbreedte
        spec_bw = spectral_bandwidth(S=spectrogram)

        # Berekenen van centroiden
        spec_cn = spectral_centroid(S=spectrogram)

        # Toevoegen van bandbreedtes aan lijst
        bandwidths.append(spec_bw)

        # Toevoegen van centroiden aan lijst
        centroids.append(spec_cn)

    return bandwidths, centroids


# Maken van spectrogrammen
spectrograms, spectrograms_db = calculate_spectrograms([audio_data])

# Maken bandbreedtes en centroiden
bandwidths, centroids = calculate_spectral_features(spectrograms)

# Print de waarden
for i, (bw, cn) in enumerate(zip(bandwidths, centroids)):
    print(f"Clip {i + 1}: Bandwidth = {bw}\nCentroid = {cn}")

Clip 1: Bandwidth = [[1387.8015664  1786.23890171 2274.96903566 ... 2110.19401782
  2184.43996948 2396.59254929]]
Centroid = [[1198.24830323 1444.71127112 1984.44601624 ... 1503.10751554
  1631.59970002 1922.93583893]]


def calculate_tonnetz(data, sr):
    """
    Bereken de tonnetz-functies
    van het gegeven geluidssignaal.

    Parameters:
    ----------
    data : array
        Het geluidssignaal.
    sr : int
        De samplefrequentie van
        het geluidssignaal.

    Returns:
    ----------
    tonnetz : array
        Tonnetz-functies.
    """
    # Berekenen van tonnetz
    tonnetz = lf.tonnetz(y=data, sr=sr)

    return tonnetz


# Omzetten van sfreq naar floats
sample_freqs = float(sample_freqs)

# Maken Tonnetz
tonnetz = calculate_tonnetz(audio_data, sample_freqs)

# Plotten van de tonnetz
plt.figure(figsize=(12, 4))
lr.display.specshow(tonnetz, y_axis='tonnetz', x_axis='time')
plt.colorbar()
plt.title('Tonnetz Features')
plt.xlabel('Tijd (s)')
plt.show()


def calculate_spectral_rolloff(data, sr, roll_percent=0.85, n_fft=2048, hop_length=512):
    """
    Bereken de spectrale rolloff
    van het gegeven geluidssignaal.

    Parameters:
    ----------
    data : array
        Het geluidssignaal.
    sr : int
        De samplefrequentie van het geluidssignaal.
    roll_percent : float, optioneel
        Percentage van de spectrale energie waar
        de rolloff wordt berekend (standaard 0.85).
    n_fft : int, optioneel
        Grootte van het FFT-venster (standaard 2048).
    hop_length : int, optioneel
        Stapgrootte tussen raampunten (standaard 512).

    Returns:
    ----------
    spectral_rolloff : array
        Spectrale rolloff.
    """
    # Berekenen van Spectrale rolloff
    spectral_rolloff = lf.spectral_rolloff(
        y=data, sr=sr, roll_percent=roll_percent,
        n_fft=n_fft, hop_length=hop_length
        )

    return spectral_rolloff


# Maken van de waarden
spectral_rolloff = calculate_spectral_rolloff(audio_data, sample_freqs)

# Plotten van Spectrale Rolloff
plt.figure(figsize=(12, 4))
plt.imshow(np.log1p(spectral_rolloff.reshape(1, -1)),
           cmap='viridis', aspect='auto', origin='lower',
           extent=[0, len(audio_data)/sample_freqs, 0, 1])

plt.colorbar(format='%+2.0f')
plt.title('Spectrale Rolloff')
plt.xlabel('Tijd (s)')
plt.ylabel('Frequency')
plt.show()


def calculate_spectral_contrast(data, sr, n_fft=2048, hop_length=512):
    """
    Bereken spectrale contrasten van het gegeven geluidssignaal.

    Parameters:
    ----------
    data : array
        Het geluidssignaal.
    sr : int
        De samplefrequentie van het geluidssignaal.
    n_fft : int, optioneel
        Grootte van het FFT-venster (standaard 2048).
    hop_length : int, optioneel
        Stapgrootte tussen raampunten (standaard 512).

    Returns:
    ----------
    spectral_contrast : array
        Spectrale contrasten.
    """
    # Berekenen spectrale contrast
    spectral_contrast = lf.spectral_contrast(
        y=data, sr=sr, n_fft=n_fft, hop_length=hop_length
        )

    return spectral_contrast


# Maken waarden spectraal contrast
spectral_contrast = calculate_spectral_contrast(audio_data, sample_freqs)

# Plotten spectraal contrast
plt.figure(figsize=(12, 4))
lr.display.specshow(spectral_contrast, sr=sample_freqs,
                         hop_length=512, x_axis='time',
                         y_axis='linear', cmap='viridis')

plt.colorbar(format='%+2.0f dB')
plt.title('Spectraal Contrast')
plt.xlabel('Tijd (s)')
plt.show()


def mfccs(data, sfreq):
    """
    Bereken Mel Frequency Cepstral Coefficients
    (MFCCs) voor het gegeven geluidssignaal.

    Parameters:
    ----------
    data : array
        Het geluidssignaal.

    sfreq : int
        De samplefrequentie van het geluidssignaal.

    Returns:
    ----------
    datadict : dict
        Een dictionary met gemiddelde waarden
        van MFCCs per coëfficiënt.
    """
    # Toepassen van mfcc via librosa
    mfcc = lr.feature.mfcc(y=data, sr=sfreq)
    datadict = {}

    # Vullen van datadict
    for var in range(len(mfcc)):
        datadict[f'mfcc{var + 1}_mean'] = np.mean(mfcc[var, :])

    return datadict


# Test mfccs function
mfcc_data = mfccs(audio_data, sample_freqs)

# Print the calculated MFCC mean values
for key, value in mfcc_data.items():
    print(f"{key}: {value}")

mfcc1_mean: -298.7561340332031
mfcc2_mean: 112.07627868652344
mfcc3_mean: 6.4888176918029785
mfcc4_mean: 28.389169692993164
mfcc5_mean: -6.770986557006836
mfcc6_mean: 16.645587921142578
mfcc7_mean: -11.807552337646484
mfcc8_mean: 12.744362831115723
mfcc9_mean: -8.340970993041992
mfcc10_mean: 13.89322280883789
mfcc11_mean: -4.237726211547852
mfcc12_mean: 2.317612886428833
mfcc13_mean: -4.329582214355469
mfcc14_mean: 1.404544472694397
mfcc15_mean: 0.7084854245185852
mfcc16_mean: 13.465459823608398
mfcc17_mean: 9.408201217651367
mfcc18_mean: 6.9103803634643555
mfcc19_mean: 7.880009174346924
mfcc20_mean: -1.778984785079956


def rms_energy_features(data):
    # Compute RMS Energy
    rms_energy = lf.rms(y=data)

    return rms_energy


rms_energy_features(audio_data)

array([[0.0464538 , 0.05530685, 0.06490424, ..., 0.03972533, 0.0372781 ,
        0.03184398]], dtype=float32)


def chroma_features(data, sfreq):
    # Compute Chroma feature
    chroma = lf.chroma_stft(y=data, sr=sfreq)

    datadict = {}

    # Fill datadict
    for var in range(len(chroma)):
        datadict[f'chroma{var + 1}_mean'] = np.mean(chroma[var, :])

    return datadict


chroma_features(audio_data, sample_freqs)

{'chroma1_mean': 0.11765494,
 'chroma2_mean': 0.13391094,
 'chroma3_mean': 0.22048318,
 'chroma4_mean': 0.18841048,
 'chroma5_mean': 0.16817723,
 'chroma6_mean': 0.1936365,
 'chroma7_mean': 0.13062777,
 'chroma8_mean': 0.20394577,
 'chroma9_mean': 0.3643956,
 'chroma10_mean': 0.28758332,
 'chroma11_mean': 0.22447796,
 'chroma12_mean': 0.18569975}


def zero_crossing_rate_features(data):
    # Compute Zero Crossing Rate (ZCR)
    zcr = lf.zero_crossing_rate(y=data)

    return zcr


zero_crossing_rate_features(audio_data)

array([[0.02978516, 0.05078125, 0.06152344, ..., 0.04199219, 0.04736328,
        0.04003906]])


def calculate_beat(audio_clips, sfreq):
    """
    Berekenen van de beat en het tempo.

    Parameters:
    ----------
    audio_clips : array
        Het geluidssignaal.
    sfreq : int
        De samplefrequentie van het geluidssignaal.
    
    Returns:
    ----------
    beats : array
        Een list die de beats aangeven voor elk geluidssignaal.
    tempos : float
        Een list die de tempo's aangeven voor elk geluidssignaal.
    """
    
    beat = []
    temp = []

    for clip in audio_clips:

        tempo, beats = lr.beat.beat_track(y=clip, sr=sfreq)

        beat.append(beats)
        temp.append(tempo)
    
    return beat, temp


beats = calculate_beat([audio_data], sample_freqs)
beats

([array([   4,   23,   44,   64,   85,  106,  127,  148,  168,  188,  208,
          228,  249,  269,  289,  308,  329,  350,  370,  391,  411,  432,
          452,  472,  493,  514,  534,  555,  574,  593,  613,  633,  654,
          673,  694,  715,  736,  756,  777,  798,  819,  838,  859,  879,
          900,  920,  936,  952,  971,  992, 1013, 1033, 1054, 1075, 1096,
         1116, 1136, 1157, 1177, 1196, 1215, 1234, 1253, 1272])],
 [129.19921875])


def calculate_harmonie(audio_clips):
    """
    Bereken de harmonische componenten van de gegeven geluidssignalen.

    Parameters:
    ----------
    audio_clips :array
        Het geluidssignaal.
        
    Returns:
    ----------
    harmonics : array
        Een list die de harmonische componenten aangeven voor elk geluidssignaal.
    """

    harmonie = []

    for clip in audio_clips:

        harmonic, _ = lr.effects.hpss(y=clip)

        harmonie.append(harmonic)
        
    return harmonie


harmonie = calculate_harmonie([audio_data])
harmonie

[array([-0.01020616, -0.01360198, -0.00642921, ...,  0.0164299 ,
         0.02202647,  0.01959856], dtype=float32)]


# Load labeled data from CSV
labeled_data = pd.read_csv("labels_new.csv", sep=',')
labeled_data = labeled_data.sort_values('filename')

def load_music(directory):
    """
    Deze functie laad verschillende muziekbestanden in vanuit
    een directory. De muziekbestanden worden vervolgens in een
    dataframe gezet waarbij ook meerdere features worden
    aangemaakt op basis van de eerder gemaakte functies.

    Parameters:
    ----------
    directory : str
        De naam van de map met audio bestanden.

    Returns:
    ----------
    df : pandas.DataFrame
        Een pandas DataFrame met alle features en
        muziekbestanden uit de geselecteerde map.
    """
    # Aanmaken lists voor data
    audio_data = []
    sample_freqs = []
    mfcc_data = {}
    # chroma_data = {}

    # Lengte is 30 sec op 22050Hz
    lengte = 30 * 22050

    # Processen van audio bestanden
    for file in os.listdir(directory):
        if file.endswith(".wav"):
            file_path = os.path.join(directory, file)
            data, sfreq = lr.load(file_path, sr=None)

            # Aanpassen lengte bestand naar 30 sec
            if len(data) > lengte:
                data = data[:lengte]
            elif len(data) < lengte:
                padding = lengte - len(data)
                data = np.pad(data, (0, padding), mode='constant')

            # Toevoegen van de data en sample frequenties aan lijsten
            audio_data.append(data)
            sample_freqs.append(sfreq)

            # Aanmaken van de MFCC en de Chroma
            mfcc_dict = mfccs(data, sfreq)
            # chroma_dict = chroma_features(data, sfreq)

            # Updaten van dict met elke MFCC
            for key, value in mfcc_dict.items():
                if key not in mfcc_data:
                    mfcc_data[key] = []
                mfcc_data[key].append(value)

            # Updaten van dict met elke Chroma
            # for key, value in chroma_dict.items():
                # if key not in chroma_data:
                    # chroma_data[key] = []
                # chroma_data[key].append(value)

    # Omzetten van data en frequenties naar np.arrays
    audio_data = np.stack(audio_data, axis=0)
    sample_freqs = np.array(sample_freqs)

    # Maken van dataframe met huidige data
    df = pd.DataFrame({
        'filename': os.listdir(directory),
        'data': audio_data.tolist(),
        'Hz': sample_freqs.tolist(),
    })

    # Toevoegen van alle MFCC's
    for key, values in mfcc_data.items():
        df[key] = values
    
    # Toevoegen van alle Chroma's
    # for key, values in chroma_data.items():
        # df[key] = values

    # Labels mergen in data indien de directory labeled heet
    if directory == "labeled":
        df = labeled_data.merge(df, how='left', on='filename')

    # Berekenen van spectogrammen en features
    # Spectogrammen
    spectrograms, spectrograms_db = calculate_spectrograms(
        audio_data, n_fft=2048, hop_length=512, win_length=None
        )
    
    # Bandbreedte en Centroids
    bandwidths, centroids = calculate_spectral_features(
        spectrograms
        )
    
    # Spectrale contrast
    spectral_contrast = calculate_spectral_contrast(
        audio_data, sfreq, n_fft=2048, hop_length=512
        )
    
    # Tonnetz
    tonnetz = calculate_tonnetz(
        audio_data, sfreq
        )
    
    # Spectrale rolloff
    spectral_rolloff = calculate_spectral_rolloff(
        audio_data, sfreq, roll_percent=0.85, n_fft=2048, hop_length=512
        )
    
    # Root Mean Squared Enerdy
    rms = rms_energy_features(
        audio_data
        )
    
    # Zero Crossing Rate
    zcr = zero_crossing_rate_features(
        audio_data
        )
    
    # Beat en Tempo
    beat, tempo = calculate_beat(
        audio_data, sfreq
        )
    
    # Harmonie
    harmonie = calculate_harmonie(
        audio_data
        )

    # Toevoegen van alle features aan dataframe
    df['mean_bandwidth'] = [np.mean(arr) for arr in bandwidths]
    df['mean_centroids'] = [np.mean(arr) for arr in centroids]
    df['mean_spectral_contrast'] = [np.mean(arr) for arr in spectral_contrast]
    df['mean_tonnetz'] = [np.mean(arr) for arr in tonnetz]
    df['mean_spectral_rolloff'] = [np.mean(arr) for arr in spectral_rolloff]
    df['mean_rms_energy'] = [np.mean(arr) for arr in rms]
    df['mean_zcr'] = [np.mean(arr) for arr in zcr]
    df['mean_beat'] = [np.mean(arr) for arr in beat]
    df['mean_tempo'] = [np.mean(arr) for arr in tempo]
    df['mean_harmonie'] = [np.mean(arr) for arr in harmonie]

    # Tonen van dataframe met index = filename
    df = df.set_index('filename')
    display(df.head())

    return df


# Inladen van gelabelde dataset
labeled = load_music("labeled")


# Inladen van de ongelabelde dataset
unlabeled = load_music("unlabeled")


# Pick a random audio clip
random_filename = np.random.choice(labeled.index, size=1, replace=False).item()

# Access the data, Hz and genre
clip = np.array(labeled.at[random_filename, 'data'])
sfreq = labeled.at[random_filename, 'Hz']
genre = labeled.at[random_filename, 'genre']

# Tonen van bestandsnaam en het genre
print(f"Bestand en genre: {random_filename}, {genre}")

# Play the clip
Audio(data=clip, rate=sfreq)

Bestand en genre: m00206.wav, hiphop


# Scalen van de data
def scaler(df):
    """
    Scaled de data in het dataframe op basis van de Z-score

    Parameters:
    ----------
    df : pandas.DataFrame
        Het dataframe waarvan de data moet worden gescaled

    Returns:
    ----------
    scaled_df : pandas.DataFrame
        Het dataframe nadat scaling is toegepast
    """
    # Berekenen van gemiddelde en standaard deviatie
    gem = df.mean(numeric_only=True)
    std = df.std(ddof=0, numeric_only=True)
    
    # Berekenen van de waardes in het dataframe
    scaled_df = (df - gem) / std

    return scaled_df


# Toepassen van scaler op unlabeled
scdf = scaler(unlabeled)

# Droppen van data en Hz kolommen omdat deze geen toepassing hebben
# voor Unsupervised learning
scdf = scdf.drop(['data', 'Hz'], axis=1)

# Tonen van de eerste vijf regels
display(scdf.head())


# Aanpassen van OMP_NUM_THREADS tegen error
os.environ['OMP_NUM_THREADS'] = '1'

# Kmeans Silhouette
kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
kmeans_labels = kmeans.fit_predict(scdf)
kmeans_score = silhouette_score(scdf, kmeans_labels)

# Birch Silhouette
birch = Birch(n_clusters=3, threshold=0.01)
birch_labels = birch.fit_predict(scdf)
birch_score = silhouette_score(scdf, birch_labels)

# Guassian Mixture Silhouette
gmm = GaussianMixture(n_components=3, random_state=42)
gmm_labels = gmm.fit_predict(scdf)
gmm_score = silhouette_score(scdf, gmm_labels)

# Uitprinten Silhouette scores
print("KMeans Silhouette Score:", kmeans_score)
print("Birch Silhouette Score:", birch_score)
print("Gaussian Mixture Silhouette Score:", gmm_score)

c:\Users\crazy\anaconda3\Lib\site-packages\sklearn\cluster\_kmeans.py:1436: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.
  warnings.warn(

KMeans Silhouette Score: 0.37254592040266094
Birch Silhouette Score: 0.36750634064214
Gaussian Mixture Silhouette Score: 0.2122367556689989

c:\Users\crazy\anaconda3\Lib\site-packages\sklearn\cluster\_kmeans.py:1436: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.
  warnings.warn(


# Ignore the warning about KMeans memory leak
import warnings
warnings.filterwarnings("ignore", category=UserWarning, module="sklearn")

def elleboog_KMeans(k, data):
    """
    Voert de elleboog methode uit voor een gekozen dataframe
    en een gekozen aantal k.

    Parameters:
    ----------
    k : int
        Het aantal k's waarvoor maximaal getest wordt

    data : pandas.DataFrame
        Het dataframe waarvoor je het aantal clusters wilt bepalen
    """
    # Maken van inertia lijst en range voor k
    inertia = []

    # Loopen over het modelleren
    for i in range(1, k):
        # Model aanmaken van K-Means
        model = KMeans(n_clusters=i, n_init=10)

        # Model fitten
        model.fit(data)

        # Intertia berekenen en toevoegen aan lijst
        inertia.append(model.inertia_)

    # Plotten van de verschillende inertia
    plt.plot(range(1, k), inertia, '-x')
    plt.xlabel('Aantal (k) clusters')
    plt.ylabel('inertia')
    plt.xticks(range(1, k))
    plt.show()


# Uitvoeren van KMeans elleboog methode
elleboog_KMeans(11, scdf)


def clusteren(k, data):
    """
    Deze functie voert een KMeans Clustering
    uit op basis van k clusters.

    Parameters:
    ----------
    k : int
        Aantal clusters, van te voren bepaald
        met de elleboog methode

    data : pandas.DataFrame
        De data waarop je het algoritme toepast
    
    Returns:
    ----------
    df : pandas.DataFrame
        Het DataFrame waarop clustering is
        toegepast.
    """
    # Uitvoeren van K-Means om data te groeperen
    kmeans = KMeans(n_clusters=k, n_init=10, random_state=42)

    # Clusters toevoegen aan dataframe
    data['cluster'] = kmeans.fit_predict(data)

    # Tonen van hoeveelheid in elk cluster
    print(data['cluster'].value_counts())

    return data


# Invoeren van aan clusters
k = 3

# Toepassen clusterings functie
scdf = clusteren(k, scdf)

1    40
0    39
2    26
Name: cluster, dtype: int64


# Groeperen van data per cluster
scdf_grouped = scdf.groupby('cluster').agg('mean')

# Tonen van het resultaat
display(scdf_grouped)


# Scalen van labeled dataset
sc_label = scaler(labeled)

# Toevoegen genres aan scaled dataset
sc_label['genre'] = labeled['genre']

# Groeperen van de data op genre
scdfl = sc_label.groupby('genre').agg('mean', numeric_only=True)

# Droppen van de Hz kolom
scdfl = scdfl.drop('Hz', axis=1)

# Tonen van de resultaten
display(scdfl)


# Maken functie minkowski_afstand
def minkowski_afstand(x1, x2, p):
    """
    Deze functie berekent de afstand tussen twee punten door middel
    van de minkowski formule.

    Parameters:
    ----------
    x1 : numpy array of list
        Een set aan verschillende data punten

    x2 : numpy array of list
        Een set aan verschillende data punten

    p : int
        Parameter nodig voor de minkowski formule

    Returns:
    ----------
    minkowski : int or float
        De afstand tussen de punten volgens
        de minkowski formule
    """
    # Omzetten van eventuele losse varaibelen in een lijst
    if not isinstance(x1, (list, np.ndarray)):
        x1 = [x1]
    if not isinstance(x2, (list, np.ndarray)):
        x2 = [x2]

    # Berekenen van de afstand tussen de punten
    afstand = [abs(a - b) ** p for a, b in zip(x1, x2)]
    minkowski = sum(afstand) ** (1/p)
    return minkowski

# Maken functie manhattan_afstand
def manhattan_afstand(x1, x2):
    """
    Deze functie berekent de afstand tussen twee punten door middel
    van de manhattan formule.

    Parameters:
    ----------
    x1 : numpy array of list
        Een set aan verschillende data punten

    x2 : numpy array of list
        Een set aan verschillende data punten

    Returns:
    ----------
    manhattan : int or float
        De afstand tussen de punten volgens
        de manhattan formule
    """
    # Omzetten van eventuele losse varaibelen in een lijst
    if not isinstance(x1, (list, np.ndarray)):
        x1 = [x1]
    if not isinstance(x2, (list, np.ndarray)):
        x2 = [x2]

    # Berekenen van de afstand tussen de punten
    afstand = [abs(a - b) for a, b in zip(x1, x2)]
    manhattan = sum(afstand)

    return manhattan

# Maken functie euclidische_afstand
def euclidische_afstand(x1, x2):
    """
    Deze functie berekent de afstand tussen twee punten door middel
    van de euclidische formule.

    Parameters:
    ----------
    x1 : numpy array of list
        Een set aan verschillende data punten

    x2 : numpy array of list
        Een set aan verschillende data punten

    Returns:
    ----------
    euclidisch : int or float
        De afstand tussen de punten volgens
        de euclidische formule
    """
    # Omzetten van eventuele losse varaibelen in een lijst
    if not isinstance(x1, (list, np.ndarray)):
        x1 = [x1]
    if not isinstance(x2, (list, np.ndarray)):
        x2 = [x2]

    # Berekenen van de afstand tussen de punten
    afstand = [abs(a - b) for a, b in zip(x1, x2)]
    euclidisch = np.sqrt(sum(d ** 2 for d in afstand))

    return euclidisch


from collections import Counter

def bepaal_genres(data, afstand_func, *args):
    """
    Deze functie neemt een afstandsfunctie en bepaald de afstand van
    genre naar cluster. Dit gebeurt voor alle clusters en alle genres,
    het uiteindelijke antwoord is de meest voorkomende genre voor elk
    cluster.

    Parameters:
    ----------
    afstand_functie : func
        De afstands functie waarmee de afstand word berekend.

    Returns:
    ----------
    De meest voorkomende genre (de meeste kleine afstanden) per cluster
    """
    # Aanmaken dictionaries
    afstand_dfs = {}
    afstand = {}
    antwoorden = {}

    # Stap 1
    # For loop om dataframes te maken met afstanden
    for col in data.columns:
        # Aanmaken dataframe voor kolom met genres en clusters als index en kolom
        df_afstand = pd.DataFrame(index=data.index, columns=scdfl.index)
        # Stap 2
        for x, row1 in data.iterrows():
            for y, row2 in scdfl.iterrows():
                if args:
                    # Voor afstands functies met extra argumenten
                    df_afstand.at[x, y] = afstand_func(row1[col], row2[col], *args)
                else:
                    # Voor afstands functies met alleen a en b
                    df_afstand.at[x, y] = afstand_func(row1[col], row2[col])
        # Vullen van dict met feature afstanden
        afstand_dfs[col] = df_afstand

    # Stap 3
    # For loop voor kiezen juiste afstand
    for _, df_afstand in afstand_dfs.items():
        for i, row in df_afstand.iterrows():
            # Vinden van genre met kleinste afstand
            min_genre = min(row.items(), key=lambda x: x[1])[0]
            # Aanmaken key voor values als deze nog niet bestaat
            if i not in afstand:
                afstand[i] = []
            # Toevoegen kleinste genre afstand
            afstand[i].append(min_genre)

    # Stap 4
    # For loop om meest voorkomende en op één na meest voorkomende genre te vinden
    for key, value in afstand.items():
        # Vinden van meest voorkomende en op één na meest voorkomende genres en tellen
        genre_1, aantal_1 = Counter(value).most_common(1)[0]
        genre_2, aantal_2 = Counter(value).most_common(2)[1]

        # Maken resultaten dict
        antwoorden[key] = {
            'Genre 1': genre_1,
            'Aantal 1': aantal_1,
            'Genre 2': genre_2,
            'Aantal 2': aantal_2
        }

    # Stap 5
    # Printen van de uitkomsten per cluster
    print(f"\nGenres volgens {afstand_func.__name__}:")
    for key, value in antwoorden.items():
        print(f"Cluster {key}: {value}")

    return afstand_dfs


# Kijken welke clusters tot welke genre horen
df_euclidisch = bepaal_genres(scdf_grouped, euclidische_afstand)
df_manhattan = bepaal_genres(scdf_grouped, manhattan_afstand)
df_minkowski = bepaal_genres(scdf_grouped, minkowski_afstand, 2)

Genres volgens euclidische_afstand:
Cluster 0: {'Genre 1': 'classical', 'Aantal 1': 6, 'Genre 2': 'reggae', 'Aantal 2': 4}
Cluster 1: {'Genre 1': 'pop', 'Aantal 1': 10, 'Genre 2': 'disco', 'Aantal 2': 7}
Cluster 2: {'Genre 1': 'metal', 'Aantal 1': 12, 'Genre 2': 'hiphop', 'Aantal 2': 9}

Genres volgens manhattan_afstand:
Cluster 0: {'Genre 1': 'classical', 'Aantal 1': 6, 'Genre 2': 'reggae', 'Aantal 2': 4}
Cluster 1: {'Genre 1': 'pop', 'Aantal 1': 10, 'Genre 2': 'disco', 'Aantal 2': 7}
Cluster 2: {'Genre 1': 'metal', 'Aantal 1': 12, 'Genre 2': 'hiphop', 'Aantal 2': 9}

Genres volgens minkowski_afstand:
Cluster 0: {'Genre 1': 'classical', 'Aantal 1': 6, 'Genre 2': 'reggae', 'Aantal 2': 4}
Cluster 1: {'Genre 1': 'pop', 'Aantal 1': 10, 'Genre 2': 'disco', 'Aantal 2': 7}
Cluster 2: {'Genre 1': 'metal', 'Aantal 1': 12, 'Genre 2': 'hiphop', 'Aantal 2': 9}

Genres volgens minkowski_afstand:
Cluster 0: {'Genre 1': 'classical', 'Aantal 1': 6, 'Genre 2': 'reggae', 'Aantal 2': 4}
Cluster 1: {'Genre 1': 'pop', 'Aantal 1': 10, 'Genre 2': 'disco', 'Aantal 2': 7}
Cluster 2: {'Genre 1': 'metal', 'Aantal 1': 12, 'Genre 2': 'hiphop', 'Aantal 2': 9}


def vergelijking_genres(data1, data2, x, y):
    """
    Deze functie maakt twee scatterplots met de datapunten
    van aangegeven clusters en/of genres.

    Parameters:
    ----------
    data1 : pandas.DataFrame
        De data uit het geclusterde dataframe

    data2 : pandas.DataFrame
        De data uit het gelabelde dataframe

    x : str
        De kolomnaam van feature 1

    y : str
        De kolomnaam van feature 2
    """
    # Maken van de plotsize
    plt.figure(figsize=(15, 6))

    # Maken eerste scatterplot
    sns.scatterplot(data=data1,
                    x=x,
                    y=y,
                    hue='cluster',
                    palette='viridis')
    
    # Maken tweede scatterplot
    sns.scatterplot(data=data2,
                    x=x,
                    y=y,
                    hue='genre')
    plt.show()


# Invoeren welke clusters er getoond moeten worden
clusters = [1]

# Invoeren welke genres er getoond moeten worden
genres = ['pop', 'disco']

# Invoeren van databronnen en kolommen voor de assen
data1 = scdf[scdf['cluster'].isin(clusters)]
data2 = sc_label[sc_label['genre'].isin(genres)]
x = 'mean_tempo'
y = 'mean_bandwidth'

# Uitvoeren van vergelijking
vergelijking_genres(
    data1=data1,
    data2=data2,
    x=x,
    y=y
)


# Invoeren welke clusters er getoond moeten worden
clusters = [0]

# Invoeren welke genres er getoond moeten worden
genres = ['classical', 'jazz']

# Invoeren van databronnen en kolommen voor de assen
data1 = scdf[scdf['cluster'].isin(clusters)]
data2 = sc_label[sc_label['genre'].isin(genres)]

# Uitvoeren van vergelijking
vergelijking_genres(
    data1=data1,
    data2=data2,
    x=x,
    y=y
)


# Invoeren welke clusters er getoond moeten worden
clusters = [2]

# Invoeren welke genres er getoond moeten worden
genres = ['hiphop', 'metal']

# Invoeren van databronnen en kolommen voor de assen
data1 = scdf[scdf['cluster'].isin(clusters)]
data2 = sc_label[sc_label['genre'].isin(genres)]

# Uitvoeren van vergelijking
vergelijking_genres(
    data1=data1,
    data2=data2,
    x=x,
    y=y
)


# Invoeren van nieuwe x en y
x = 'mean_rms_energy'
y = 'mean_tonnetz'

# Uitvoeren van vergelijking
vergelijking_genres(
    data1=data1,
    data2=data2,
    x=x,
    y=y
)


# Invoeren van nieuwe x en y
x = 'mfcc4_mean'
y = 'mean_bandwidth'

# Uitvoeren van vergelijking
vergelijking_genres(
    data1=data1,
    data2=data2,
    x=x,
    y=y
)


def kaggle_upload(data, cluster_map, naam_csv):
    """
    Deze functie maakt een dataframe aan en
    zet deze om naar een csv. Dit CSV bestand
    kan vervolgens geupload worden naar Kaggle.

    Parameters:
    ----------
    cluster_map : dict
        Een dict met vaste keys 0, 1 en 2. De values
        van de dictionary zijn de genres waarin de
        clusters zich lijken te bevinden.

    naam_csv : str
        De naam van het csv bestand.

    Returns:
    ----------
    csv
        Een csv bestand dat klaar is om op
        kaggle geupload te worden.
    """
    # Copy maken van scdf
    kaggle = data.copy()

    # Vervangen van de cluster nummers naar genres
    kaggle['cluster'] = kaggle['cluster'].replace(cluster_map)
    kaggle_df = pd.DataFrame(kaggle['cluster'].reset_index())
    kaggle_df.rename(columns={'cluster': 'genre'}, inplace=True)
    kaggle_df.set_index('filename', inplace=True)

    kaggle_df.to_csv(f'{naam_csv}.csv')


# Maken van dictionary voor vervangen cluster nummers
cluster_map = {
    0 : 'classical',
    1 : 'pop',
    2 : 'metal'
}

# Aanmaken csv voor Kaggle
#kaggle_upload(scdf, cluster_map, 'submission_cl_me_po')


display(scdf)


cov_mat = scdf.cov()


eigenvals, eigenvecs = np.linalg.eig(cov_mat) 
print(f"The magnitudes of the projections are: {eigenvals}")
print(f"The vectors of the projections are: {eigenvecs}")

The magnitudes of the projections are: [8.86043756e+00 9.35376338e+00 2.34731855e+00 1.36317130e+00
 1.28129027e+00 1.06001977e+00 9.48542147e-01 8.15875599e-01
 7.68595900e-01 7.50606802e-01 5.70388088e-01 4.07530980e-01
 3.40763722e-01 2.89878119e-01 2.55401152e-01 2.26614198e-01
 2.03728912e-01 1.97284116e-01 1.70387030e-01 1.41963867e-01
 1.37662625e-01 9.57582779e-02 8.09942877e-02 1.17186755e-03
 4.54723431e-03 8.77722114e-03 6.56831981e-02 2.89981881e-02
 3.39860578e-02 4.45701453e-02 4.22743632e-02]
The vectors of the projections are: [[-3.20807365e-01 -7.49246134e-02 -2.49008038e-02 -8.13300583e-02
   1.70957390e-02  1.97794408e-02  1.63928921e-02  2.87093492e-02
  -2.34449831e-02 -5.63540324e-02 -4.46981281e-02 -5.81123661e-02
  -3.11770861e-03 -1.03163366e-01 -2.98902536e-02  1.47447075e-01
   3.08429816e-02  8.63072200e-02  1.05157004e-01  1.50135528e-01
   2.53779309e-02 -1.37958234e-01  2.37649336e-01  1.82041505e-01
   7.58140699e-01 -1.75614564e-01 -2.46345918e-02 -5.21277128e-02
   1.59053445e-01 -9.07400646e-02 -2.15187220e-01]
 [ 1.82646938e-02  8.96341470e-03  1.30523254e-01 -1.08907040e-01
   3.14971068e-01  7.04202764e-01  4.60423184e-01 -6.10918268e-02
  -6.10607114e-02  3.04428182e-01 -1.22860041e-01  5.58130950e-02
   7.92530594e-02 -1.20276864e-01 -5.34011736e-02 -2.92908589e-02
  -5.86040316e-02 -9.21274786e-02 -2.10853606e-03 -5.40090216e-02
  -5.15386146e-02  6.83890648e-03  3.42648189e-03 -5.23606262e-03
   6.13095293e-03  3.49399633e-02  3.66164465e-02  2.16480619e-03
   2.14696563e-02 -9.57324549e-03  6.72481589e-03]
 [-2.96093161e-01 -1.37721755e-01 -3.28823400e-03 -8.77270766e-02
   6.70050599e-02  3.06530609e-02 -1.54539660e-02 -4.89898120e-02
   1.97785180e-02 -1.56525724e-01 -9.24691076e-02 -3.28785621e-02
   1.25219922e-01  1.54322130e-02 -1.02961187e-01  4.68150639e-02
  -2.19884289e-02  3.53505858e-02 -3.15605730e-02  2.92698675e-02
   2.60858331e-03 -1.42952448e-02 -2.19723553e-02  7.49582885e-01
  -4.34076540e-01 -1.91360327e-01  9.72912466e-04  1.30429096e-02
   1.51016632e-01  1.15216547e-02 -6.87583150e-03]
 [-5.24164049e-02  8.83067851e-02  5.78650557e-02 -2.57603289e-01
  -4.99696830e-01  1.68259737e-01  1.53457767e-01  1.09520730e-01
   7.33707720e-01  1.42993804e-02 -3.83166552e-02  8.99557379e-02
  -7.21350060e-02  1.69071419e-01 -2.82079529e-02  7.28971428e-02
   4.18767383e-03  6.51918656e-02 -4.74984679e-02 -5.56083647e-02
   6.11099987e-02  3.35995004e-02  1.56387477e-02 -2.47555257e-03
   5.44742831e-03  2.63240206e-02  2.80074666e-02  2.44481329e-02
   3.43540448e-02 -1.37445027e-02 -6.78232798e-04]
 [-2.56802999e-01 -1.22805812e-01 -8.87819914e-02  4.40615226e-02
   8.64240387e-03  7.94261139e-02  1.02212681e-01  1.39725267e-01
  -1.39566163e-02 -1.18193809e-01  4.50656176e-01  1.47507061e-01
  -3.62880071e-01 -1.58841685e-01  3.70514121e-02 -6.12177642e-02
   1.68750917e-01 -7.10370153e-02 -7.47909911e-02 -3.09022949e-01
  -2.31149077e-01  1.28067322e-02 -2.28993008e-01  8.06233969e-03
   1.02683114e-01 -1.44659161e-01 -1.24482808e-01  1.61040440e-01
   9.83699278e-02  2.88914411e-01  2.54930575e-01]
 [ 2.83801176e-01  3.53746116e-02  1.24398040e-01 -2.60263868e-02
   7.38945474e-03 -1.15321010e-01  1.52118280e-01  1.77278369e-01
  -2.07657459e-02 -7.33970032e-02  4.42856409e-02  3.46908899e-02
   7.24873063e-02  2.75743283e-03 -7.20916334e-01 -5.80938092e-02
   2.81782848e-01  2.08327437e-01  8.87132069e-02  1.22273661e-02
  -2.77296890e-01 -2.59858192e-01  4.81517542e-02  2.94125652e-02
   9.33974670e-03 -5.98064876e-02  5.56517069e-02  1.12667958e-02
  -1.01929706e-01 -3.79347144e-03  3.27833703e-02]
 [-3.08722123e-01 -1.14011142e-01 -1.54731486e-02 -8.98760595e-02
   3.10418019e-02  3.24438912e-02  1.13825557e-02 -6.40102488e-03
   3.14477463e-03 -1.07999096e-01 -6.01655385e-02 -3.25423151e-02
   8.96625414e-02 -7.20122916e-02 -7.55842820e-02  9.32929927e-02
  -1.74390577e-03  1.03668125e-01  4.71624853e-02  9.15880221e-02
   5.76447340e-03 -7.65256698e-02  1.07363992e-01 -5.94664993e-01
  -3.37994412e-01 -5.23024078e-01 -1.20555659e-02 -5.92576864e-02
   2.07345219e-01 -4.24810582e-03 -1.01621718e-01]
 [ 1.04537105e-01 -2.52562983e-02 -1.43309849e-02 -2.07006930e-01
  -1.90562368e-01  4.37288830e-01 -5.74439923e-01  5.27684572e-01
  -2.25965786e-01 -5.54116073e-02 -1.31871236e-01 -3.68524388e-02
  -3.43419650e-02 -9.68133167e-02 -2.83212516e-02 -2.70130383e-03
  -3.17029084e-02 -5.03691930e-02 -9.27496284e-02  4.69804595e-02
  -3.16904974e-02 -3.67751496e-02 -5.39578331e-02  4.19051765e-03
  -7.97754149e-03 -1.55381965e-02  2.13823124e-02  5.95174329e-02
  -2.91281684e-02  4.03955645e-03 -1.90142440e-02]
 [ 1.13594104e-01  9.77380254e-02 -1.29292796e-02  2.23581055e-01
   4.03322448e-01 -2.38295715e-02  2.49813909e-01  5.44541385e-01
   2.49581351e-01 -4.29280882e-01 -1.19286208e-01 -2.12604621e-01
  -1.41459779e-03  2.73579223e-02  1.50085991e-01  9.23407137e-02
  -7.60370195e-02 -8.88405929e-04  6.21878409e-02  8.09802015e-02
   9.97468945e-02  8.24641259e-02 -2.94699987e-02 -4.33571931e-03
  -1.96478857e-03  1.22180075e-03 -1.17836284e-01 -5.45064829e-03
  -5.96670412e-02  1.14215274e-01 -5.51597598e-02]
 [-2.12041738e-01 -1.96291784e-01  4.11248515e-02 -7.81368527e-02
   1.70171465e-01  2.18202750e-02 -1.17450428e-01 -1.26597951e-01
   8.52474434e-02 -2.80039173e-01 -1.84796597e-01  1.99013669e-02
   2.43663899e-01  2.01300589e-01 -2.52095529e-01 -1.27879756e-01
  -9.05657293e-02 -8.33094584e-02 -2.08278270e-01 -1.51496393e-01
   7.24685216e-02  1.98979745e-01 -3.88779326e-01 -1.27956437e-01
   2.57056760e-01 -1.97050846e-02  1.30200937e-01 -1.05046490e-01
  -1.99395515e-01 -1.84480073e-01  2.95525564e-01]
 [-1.37767209e-02 -2.88152729e-01  1.55931979e-01  7.05509151e-02
  -1.27372911e-01 -7.65948872e-02  7.91208298e-02  1.73979302e-01
  -6.28681996e-02 -2.95820244e-02 -2.66027401e-02  1.16486370e-02
   1.82755964e-01 -1.35944224e-01 -7.12259099e-03 -2.85174139e-01
  -1.29741710e-01  1.25471040e-01 -9.08431228e-02 -4.44430422e-01
  -1.93125953e-02  2.95427930e-01  4.90195946e-01 -8.35441387e-03
  -1.77870455e-02  7.48125125e-02 -2.60554628e-01  9.47479502e-02
   1.18479307e-02 -1.99271378e-01 -3.08553948e-02]
 [-1.81013198e-01  1.54827956e-01  5.97989960e-02  3.72384192e-01
   1.11125390e-01 -1.06846786e-02 -1.91938048e-01  1.25628353e-01
   7.85635826e-02  2.22130462e-01 -1.41340887e-01  5.48333952e-01
   4.23807257e-02  1.02027263e-01 -7.45064839e-02  3.19810559e-01
  -2.61938115e-01  8.66841211e-02  1.43842445e-01 -1.27051305e-01
  -6.58493297e-02 -1.75442700e-01 -1.50730725e-02  8.70022992e-03
  -1.19209859e-02 -2.04778808e-02 -2.37847481e-01  4.86629928e-02
  -7.88650963e-02 -1.03168281e-01  1.22440746e-01]
 [ 3.25059884e-02 -2.79703802e-01  4.72783807e-02  2.81392535e-01
  -1.21256715e-02 -3.04137709e-02 -5.53662140e-02  7.32263678e-02
   1.22882640e-01  1.04312731e-01  2.06226526e-01  4.35519944e-03
   1.17963746e-01 -1.25762236e-01 -2.35730703e-01  3.66298144e-01
  -1.62250196e-02 -3.50668220e-01 -5.99851804e-02 -1.61695911e-02
  -4.68418163e-02  2.74113644e-01 -9.17376453e-02 -3.26631938e-02
  -1.77440180e-02  1.06826188e-01  3.42966500e-01  1.44533333e-01
   1.63109860e-01 -3.16578274e-02 -3.87339885e-01]
 [-1.14528970e-01  2.25919758e-01  1.38129251e-01  3.32552174e-01
  -7.01243365e-02  1.12425738e-01 -1.49769141e-01 -3.81934327e-02
   1.72082355e-01 -1.65791387e-02  4.48463428e-02  8.41992272e-02
   3.78160608e-01 -3.24125989e-01  4.25597187e-02 -1.75562836e-01
   4.40142290e-01 -2.09727793e-01 -9.07040130e-02  1.45136731e-01
   1.91795555e-01 -7.28663999e-04  1.91682109e-01  2.50166226e-02
   1.79112472e-02 -6.63872649e-02  1.91442891e-02 -1.18198037e-01
  -9.36784730e-02  1.85554862e-01  2.03993044e-01]
 [ 3.05879320e-02 -2.45124696e-01  1.99011380e-01  3.35575180e-01
  -2.28504616e-02  1.42798083e-01 -1.11433075e-01 -1.29760260e-01
   1.89945519e-01 -2.88920866e-03 -5.42462084e-02 -1.45979420e-01
   3.78693748e-02 -2.50750990e-02  2.51733517e-01 -1.14474780e-01
   1.40484985e-02  3.89939616e-01 -2.47657786e-01  1.67680775e-01
  -5.16042938e-01 -1.43725685e-01 -1.82827975e-01 -8.99035604e-03
   1.98323022e-02  5.63314233e-02 -3.10293695e-02 -1.00146027e-01
   2.14766515e-02 -2.67876969e-02 -1.40758548e-01]
 [-7.75953663e-02  2.17906095e-01  2.84092035e-01  2.43082793e-01
  -1.06645668e-01  1.75700673e-01  1.55421862e-02 -1.02975226e-01
  -8.52466316e-02 -2.57462688e-01  2.74855193e-01 -1.33782099e-01
  -2.48840941e-01 -5.44000771e-02 -1.25181468e-01 -2.34642505e-02
  -3.59173166e-01  1.48429939e-01 -1.48723048e-02  2.06101934e-01
   1.44905601e-01  3.35978286e-03  1.59194675e-01 -1.60532341e-03
  -2.92559867e-02  1.50392502e-02  2.83581259e-01  2.29929700e-01
   3.41747461e-02 -2.51089418e-01  2.58529174e-01]
 [ 8.26728555e-02 -1.57396476e-01  4.47541086e-01  1.21463568e-01
  -7.96378047e-02  1.38683039e-01 -1.03026011e-01 -1.80758200e-01
  -7.55599178e-02 -6.51256878e-02 -1.75980220e-01 -2.53763123e-01
  -2.43130134e-01  1.55390947e-01 -1.03086528e-02  3.09139550e-01
   3.63844419e-01 -1.25107112e-02  3.32791910e-01 -1.97442784e-01
   1.73241375e-01  1.15679753e-01 -6.91732395e-02 -2.90189819e-03
  -7.00030248e-03 -2.35456412e-02 -2.45825459e-01 -3.86806145e-02
   3.37785963e-02 -1.61530147e-03  7.81027850e-02]
 [-4.00477399e-02  2.17446088e-01  3.60352675e-01 -1.05502170e-01
  -1.79455773e-01  1.01144874e-02  1.03309227e-01 -7.62951551e-02
  -1.77492175e-01 -2.73551770e-01  2.03785914e-01 -4.67395250e-04
   2.17589475e-01  3.56450770e-02  8.00470628e-02  1.20026256e-01
  -2.20530399e-01 -1.93043077e-01 -1.45324677e-01 -2.68597321e-01
  -2.39308790e-02 -3.09752817e-01 -9.27423295e-02  3.91964533e-03
   4.24831157e-03 -3.76004927e-02 -9.42696901e-02 -1.53700119e-01
  -2.50734076e-01  1.67908853e-01 -3.67060317e-01]
 [ 1.92158650e-02 -9.50987766e-02  4.78060631e-01 -2.28936644e-01
   2.11083867e-03 -2.73171396e-01  1.49891232e-01  1.06051860e-01
  -9.77023896e-02 -1.00177551e-01 -2.87326793e-01  4.40532488e-01
  -2.30375309e-01 -2.10032392e-01  1.68104737e-01 -1.07812639e-03
   6.87681779e-02 -1.62708369e-01 -1.27109738e-01  2.85175829e-01
  -1.19662573e-01  1.14928991e-01 -1.80868870e-02  1.08288490e-03
  -1.13804280e-02  6.59717481e-04  1.30161633e-01 -2.16497096e-03
   3.34302362e-02 -4.21558658e-02  5.59039362e-02]
 [-1.14330885e-01  1.88591045e-01  2.54539488e-01 -2.59588008e-01
   1.43802858e-01 -1.07172565e-01 -3.26727357e-03  2.21187526e-01
  -1.05718919e-01  2.41277931e-01  3.58129282e-01 -6.65541795e-02
   3.43215082e-01  1.22476109e-01  1.47480444e-01  2.33003344e-01
   1.95915151e-01  3.87395819e-01 -1.24632470e-01  5.40958932e-02
   6.60650070e-02  2.15670099e-01 -1.50806983e-01 -1.19059628e-02
   8.05054960e-03  7.37492854e-02 -1.32313071e-02  9.30355901e-02
   1.10504521e-01 -1.02652624e-01  9.69862688e-02]
 [-2.22108869e-01 -1.98646889e-01 -9.92553671e-02 -2.30955811e-02
   1.03209574e-01  1.49366274e-01  5.68339252e-04  8.47534464e-02
  -1.37623928e-02 -1.50061934e-01  2.95937320e-01  2.29139471e-01
  -1.97424576e-01  7.37413655e-02 -6.93220546e-03 -1.68332995e-02
   2.36690469e-01  6.35424128e-02  5.80209591e-02  9.96004056e-02
   1.46042863e-01 -8.21993241e-02  1.09005378e-01 -4.05371134e-02
  -1.73051527e-01  3.67377265e-01  2.20507012e-03 -4.47574003e-01
  -2.04971136e-01 -3.14612498e-01 -1.78736729e-01]
 [-8.02229307e-02 -5.87584805e-02  3.47335730e-01 -1.87495912e-01
   4.07749385e-01 -1.52561296e-01 -3.21899266e-01  4.05928172e-02
   3.47573261e-01  3.20681852e-01  1.57466692e-01 -2.10454854e-01
  -2.02213796e-01 -4.76188450e-02 -8.07782169e-02 -2.71760259e-01
  -1.62738736e-01 -1.54632625e-01  6.90988259e-02 -6.41400368e-02
   6.57772902e-02 -1.85144721e-01  8.93258346e-02  8.52054410e-03
  -2.15516148e-02 -4.46472442e-02  9.48690044e-03 -3.64199837e-02
  -7.45921503e-02  6.82480942e-02 -5.66479955e-02]
 [ 2.84192361e-01  1.51272691e-01 -3.38504646e-02  9.07371766e-02
  -2.30905954e-02  3.50721110e-04  9.26529564e-03  7.21734587e-02
   2.51950604e-02  1.29261101e-01  1.17840023e-01  3.68793812e-02
  -1.25597890e-01 -8.61588120e-02  1.27890572e-01 -4.51746695e-03
  -8.14549954e-03  4.07411805e-02  2.04096713e-02 -1.93293397e-01
  -3.84936633e-02  2.35631987e-01 -8.06483966e-02  1.64083362e-01
   4.08982661e-02 -5.79578542e-01  1.95105179e-01 -4.21251705e-01
  -1.36264817e-01 -3.26406348e-01 -2.88251677e-02]
 [-2.60672428e-01  1.11209751e-01 -7.68917512e-02 -5.95322722e-02
  -1.54036296e-01 -1.50662719e-01  9.62583094e-02  6.57010399e-02
   1.44775109e-03  1.42121723e-01 -1.52714212e-01 -3.66204486e-01
  -5.91419775e-02 -5.47205754e-01 -1.28700772e-01  2.65068535e-01
  -1.36142661e-01  2.38797629e-03  2.57447024e-02 -3.36463121e-02
  -1.60861126e-01  4.06572130e-02 -1.20154605e-01 -2.69928787e-02
  -7.82568709e-02  2.35690310e-01 -8.97118278e-02 -2.67973526e-01
  -1.80163834e-01 -7.20185668e-02  2.01553331e-01]
 [ 1.22924056e-01 -2.62998032e-01  2.42023320e-02  6.59482879e-02
  -1.46625244e-01 -3.21765937e-02  1.54473247e-01  1.50428068e-01
  -5.16686914e-02  1.61548087e-01  1.94205582e-01 -1.48706179e-01
   8.93173886e-02  2.66593377e-01 -1.27112897e-02  8.52851664e-02
  -1.13630749e-01 -4.02814509e-01 -2.12665739e-01  3.08634632e-01
  -3.05522853e-02 -1.87298160e-01  6.62505953e-02  2.06601369e-02
   1.88167980e-02 -1.17016800e-01 -3.35170773e-01 -1.75970011e-01
   1.15211522e-01 -1.70320231e-01  3.32509007e-01]
 [-2.17683299e-01  1.63744106e-01  1.30424452e-02  2.49559305e-01
  -9.27834371e-02 -8.09994913e-02  1.50310282e-01  1.51006050e-01
  -1.32417628e-01  2.45011209e-01 -2.15474287e-01 -1.01382213e-01
  -2.64093248e-01  7.87391154e-02 -1.60423873e-01 -2.22149169e-01
   1.69177280e-01  2.50705486e-02 -4.31023900e-01 -2.80164394e-02
   3.26576880e-01 -8.03831771e-02 -2.36668971e-01 -5.41366437e-05
  -2.01220041e-02 -5.83329086e-02 -1.02640302e-01  1.23559821e-01
   1.94419562e-02 -1.34634483e-01 -2.90562136e-01]
 [ 1.35662224e-02 -2.86723805e-01  5.95038297e-02  8.76090834e-02
  -1.72701149e-01 -8.14940785e-02  1.52293081e-01  2.14087643e-01
  -3.73848368e-02  7.40389975e-02 -2.03229019e-02  4.43221225e-03
   2.09480179e-01 -1.42011561e-01  2.10155265e-01 -1.77755940e-01
  -3.02992911e-02  6.42612694e-02  3.77532457e-01 -1.57086055e-01
   2.65351507e-01 -4.23638141e-01 -2.97331148e-01  6.45789307e-03
   1.28893247e-03  4.17750415e-02  3.08999519e-01  3.05966033e-02
   1.40401741e-01 -1.10351434e-01  1.14610957e-01]
 [-2.80720321e-01  1.06780533e-01  1.91565662e-02  9.65137055e-02
  -8.34684098e-03 -4.71387412e-02  4.55272072e-02  1.80425311e-01
  -1.23488889e-01  9.87909802e-02 -1.77726857e-01 -1.69930895e-01
  -5.20092100e-02  4.18394235e-01  1.37665438e-01  5.53386952e-02
   1.41615367e-01 -1.34193081e-01 -3.77829326e-02 -2.18940209e-01
  -3.09406151e-01 -7.05596633e-02  3.22768133e-01 -2.17603008e-02
  -2.95775622e-02  5.90623100e-02  4.89094661e-01 -9.94284579e-02
  -3.55418948e-02  9.65852663e-02  1.45277835e-01]
 [ 9.44775661e-03 -3.02221364e-01  6.01036207e-02  9.04975788e-02
  -1.10725179e-01  5.77999181e-03  6.85857773e-02  6.87141911e-02
  -1.08336477e-01  1.74317081e-01  1.80899887e-02  6.82376294e-02
  -6.07466829e-02  7.03688538e-02 -1.23452969e-01  6.23465688e-02
  -2.25957654e-01  3.16287872e-01 -8.36908409e-02  1.34088993e-01
   2.89161798e-01  1.60792926e-01  6.35020340e-02  3.07036762e-02
   4.71344584e-02 -6.36189807e-02  1.22817853e-01 -2.66749367e-01
  -2.15467426e-01  6.06383787e-01  5.49186993e-02]
 [-2.58146128e-01  1.38493758e-01  9.87174563e-02  7.82108526e-02
  -1.94738406e-01  2.15439427e-02  5.36005521e-02  1.14609356e-01
  -9.44838335e-02  7.60993823e-02  6.47541451e-02 -1.30247967e-02
   8.26561204e-02  1.87052953e-01 -7.84482413e-02 -3.87839396e-01
  -9.91064201e-02 -1.28599231e-01  5.03335143e-01  2.70887898e-01
  -2.34708579e-01  3.52142355e-01 -1.99903357e-01  3.82682105e-03
   5.02729670e-03 -1.04645239e-02 -1.34000599e-01 -4.38683119e-02
  -4.86142881e-02  5.16035844e-02 -1.71028318e-01]
 [-8.41142044e-02 -2.25165579e-01 -6.89364087e-02 -4.04152719e-02
  -3.40429422e-02  6.13444138e-03  8.22445406e-02 -6.54018854e-03
   2.19592416e-02  8.85838993e-02  3.42838707e-02 -7.04763527e-02
   2.29270263e-02 -1.09863876e-02  1.50744382e-01  1.12488672e-01
   1.22420323e-01 -2.02314672e-02  6.10429970e-02  1.46092951e-01
  -2.63681160e-02 -3.63334578e-02  5.37222004e-02  2.51300569e-02
  -3.19492777e-02 -2.10688052e-01  1.21485335e-02  4.77914112e-01
  -7.35051566e-01 -1.27759378e-01 -2.75538529e-02]]


inds = eigenvals.argsort()
eigenvecs = eigenvecs[inds[::-1]]
eigenvals = eigenvals[inds[::-1]]


plt.plot(eigenvals, '-o')

[<matplotlib.lines.Line2D at 0x184019d3750>]


pca = PCA()
pca.fit(scdf)
transformed = pca.transform(scdf)
print(transformed.shape)

(105, 31)


per_var = np.round(pca.explained_variance_ratio_*100, decimals=1)
labels = ['PC' + str(x) for x in range (1, len(per_var)+1)]

plt.bar(x=range(1, len(per_var)+1), height=per_var, tick_label = labels)
plt.ylabel('Percentage of Explained Variance')
plt.xlabel('Principal Component')
plt.title('Scree plot')
plt.show

<function matplotlib.pyplot.show(close=None, block=None)>


xs = transformed[:,0]
ys = transformed[:,1]
plt.scatter(xs, ys)
plt.show()


unlabeled2 = unlabeled.copy()

#PCA componenten aanmaken
unlabeled2['PCA_Component_1'] = transformed[:, 0]
unlabeled2['PCA_Component_2'] = transformed[:, 1]
unlabeled2['PCA_Component_3'] = transformed[:, 2]


unlabeled2= unlabeled2[['PCA_Component_1', 'PCA_Component_2', 'PCA_Component_3']]
unlabeled2


elleboog_KMeans(11, unlabeled2)


df = clusteren(3, unlabeled2)

0    40
2    39
1    26
Name: cluster, dtype: int64


# Groeperen van data per cluster
df_grouped = df.groupby('cluster').agg('mean')

# Tonen van het resultaat
display(df_grouped)


sns.scatterplot(data=df,
               x= xs,
               y = ys,
                hue='cluster',
               palette= 'Set1')
plt.show()


fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# Scatter plot with 3D projection
scatter = ax.scatter(df['PCA_Component_1'], df['PCA_Component_2'], df['PCA_Component_3'], c=df['cluster'], cmap='viridis')

# Add labels and a color bar
ax.set_xlabel('PCA_Component_1')
ax.set_ylabel('PCA_Component_2')
ax.set_zlabel('PCA_Component_3')
ax.set_title('3D Scatter Plot with Clusters')
fig.colorbar(scatter, label='Cluster')

plt.show()


sc_label.drop(['Hz', 'data', 'genre'], axis=1, inplace=True)


pca = PCA(n_components=3)
pca.fit(sc_label)
transformed_l = pca.transform(sc_label)
print(transformed_l.shape)

(50, 3)


label = sc_label.copy()
label['genre'] = labeled['genre']

label['PCA_Component_1'] = transformed_l[:, 0]
label['PCA_Component_2'] = transformed_l[:, 1]
label['PCA_Component_3'] = transformed_l[:, 2]

# Print de resulterende DataFrame
print(label)

            mean_bandwidth  mean_beat  mean_centroids  mean_harmonie  \
filename                                                               
m00002.wav       -0.610133   0.359610       -1.092007       0.410972   
m00039.wav       -0.411385  -0.067294       -0.573296      -1.642859   
m00041.wav        1.535260  -0.231133        1.300127       0.343474   
m00072.wav        0.970634   0.300659        0.599644       0.322589   
m00096.wav        0.522519   0.285885        0.491595       3.504310   
m00102.wav       -1.414572   0.297681       -1.492100      -0.629824   
m00112.wav        0.740998   0.312225       -0.137938      -3.127108   
m00138.wav        0.141260   0.287360       -0.307725       0.328948   
m00192.wav       -0.519875  -5.888664       -0.476122      -0.271121   
m00206.wav        0.141239   0.496945        0.759211       0.300667   
m00230.wav        1.657057   0.424746        2.236136       0.325323   
m00236.wav       -1.619458   0.447912       -1.268198       0.308425   
m00248.wav        0.224815   0.178713        0.644430      -1.496280   
m00253.wav        0.267146   0.061034        0.337512       0.343280   
m00298.wav       -0.502545  -0.251752       -0.564401       0.322885   
m00313.wav       -1.523249   0.148585       -1.584653       0.317997   
m00338.wav       -0.595084   0.224581       -0.334379       0.321253   
m00339.wav       -0.245430   0.299309        0.377963       0.325102   
m00351.wav       -0.233972  -0.386570       -0.552227       0.345841   
m00400.wav       -2.460509  -0.520294       -2.362404       0.326717   
m00421.wav        1.998793   0.130544        2.188316       0.320502   
m00429.wav        0.204828   1.099529        0.091887       0.312079   
m00435.wav       -1.347296   0.034016       -0.843604      -0.399708   
m00454.wav        0.343704   0.057339        0.664594       0.307062   
m00477.wav       -1.515913  -1.872608       -1.495107       0.234502   
m00501.wav       -0.267606   1.247700       -0.696861      -0.434746   
m00503.wav       -0.375276   0.540452        0.366644      -1.300940   
m00513.wav        2.403656   0.198521        2.657701      -3.139432   
m00553.wav       -0.161993  -0.095679       -0.131943       0.317907   
m00606.wav       -0.529961  -1.866178       -1.065649       0.324885   
m00623.wav        1.498992  -0.614455        1.264272       0.323540   
m00627.wav       -0.264953  -0.083731        0.244040      -2.368593   
m00629.wav       -0.217338   0.286651       -0.472680       0.382821   
m00633.wav       -0.278625   0.129487       -0.474444       0.331835   
m00637.wav       -0.086584   0.293243        0.116784       0.220553   
m00658.wav        0.252283   0.299274        0.605239       0.275826   
m00671.wav        0.146621  -0.084203       -0.295108       0.331784   
m00676.wav        0.669594  -0.205831        0.519156       0.333844   
m00677.wav       -1.068777   0.080626       -1.129823       0.327368   
m00678.wav       -0.218363   0.943969        0.046656       0.319453   
m00716.wav       -0.280426   0.053313       -0.251540       0.369363   
m00762.wav        1.532382   0.147893        1.010290       0.333203   
m00772.wav       -0.596171   0.138500       -0.190153       0.325062   
m00773.wav        0.669723  -0.062322       -0.223699       0.328163   
m00801.wav        1.957072   0.371786        1.063803      -0.981344   
m00821.wav        0.268142   0.188443        1.209958       0.332074   
m00850.wav        0.617315   0.216768        0.570907       0.323577   
m00867.wav       -0.313402   1.116556       -0.292722       0.325932   
m00895.wav        0.307163   0.206484        0.197185       0.482706   
m00996.wav       -1.412294   0.324376       -1.255266       0.160130   

            mean_rms_energy  mean_spectral_contrast  mean_spectral_rolloff  \
filename                                                                     
m00002.wav        -1.148479                1.885706              -1.009321   
m00039.wav         0.143471                0.858330              -0.468786   
m00041.wav         1.462562               -1.542893               1.462870   
m00072.wav         0.484712               -0.456732               0.701757   
m00096.wav         1.216862                0.735994               0.687644   
m00102.wav        -1.872493                0.590103              -1.652879   
m00112.wav        -1.027873               -1.288618               0.153426   
m00138.wav        -0.655435                0.504976               0.000897   
m00192.wav        -0.007500               -0.731520              -0.616370   
m00206.wav        -0.212702               -0.472698               0.577007   
m00230.wav        -0.339340               -0.687443               1.928927   
m00236.wav        -1.664066                1.575199              -1.399621   
m00248.wav        -0.031329               -1.004730               0.514270   
m00253.wav         2.741119                0.687510               0.475302   
m00298.wav        -0.604069                0.380307              -0.408851   
m00313.wav        -0.465289                0.314094              -1.545533   
m00338.wav         1.432591                0.572837              -0.409993   
m00339.wav        -0.152732                0.886229               0.087414   
m00351.wav        -0.783332                0.961884              -0.364136   
m00400.wav        -0.876555                0.501466              -2.424284   
m00421.wav         2.406325               -1.032669               2.056261   
m00429.wav        -0.113470               -0.062799               0.273130   
m00435.wav        -0.583478                1.674181              -1.219162   
m00454.wav         0.091488                0.190610               0.648727   
m00477.wav        -1.749154                1.132896              -1.550718   
m00501.wav        -0.313032               -0.035933              -0.702820   
m00503.wav        -0.386350                0.277942              -0.005864   
m00513.wav         0.722845               -1.768020               2.556876   
m00553.wav         0.554915               -0.875933              -0.238857   
m00606.wav        -0.473707               -0.801763              -1.062261   
m00623.wav         0.483956               -1.179928               1.347176   
m00627.wav         0.283654               -0.417977               0.128453   
m00629.wav         0.696643                0.778216              -0.297322   
m00633.wav         0.317514                0.866001              -0.350447   
m00637.wav        -0.233907               -0.393514               0.175869   
m00658.wav        -0.034514               -0.196482               0.571649   
m00671.wav        -0.926675               -1.317186              -0.264949   
m00676.wav         2.100149               -2.045880               0.531674   
m00677.wav         1.069921                2.469404              -1.052861   
m00678.wav         0.414517                0.142417              -0.043891   
m00716.wav        -1.000883                0.490734              -0.142621   
m00762.wav         0.001160               -1.393168               1.199475   
m00772.wav        -0.599449                0.949102              -0.351265   
m00773.wav        -0.569178                0.660665              -0.032301   
m00801.wav        -0.972810               -0.717789               1.621881   
m00821.wav         0.045498               -0.220436               0.739237   
m00850.wav         0.523135               -0.813370               0.532147   
m00867.wav        -0.690522                1.121854              -0.273464   
m00895.wav         1.882714               -1.083102               0.119905   
m00996.wav        -0.587426               -0.668079              -1.203396   

            mean_tempo  mean_tonnetz  mean_zcr  ...  mfcc4_mean  mfcc5_mean  \
filename                                        ...                           
m00002.wav    0.556581     -0.201259 -1.393183  ...   -0.414782   -0.455867   
m00039.wav    0.862029      0.548655 -0.874438  ...    0.416474    0.080578   
m00041.wav   -0.948033     -1.866566  1.124088  ...   -2.010779    0.114446   
m00072.wav    0.556581     -1.074005  0.315799  ...   -1.929537    0.626036   
m00096.wav    0.280223      0.207270  0.207668  ...   -0.098669   -1.324775   
m00102.wav    0.280223      1.795694 -1.019308  ...   -0.854354    0.301705   
m00112.wav    1.580730     -2.073776 -1.154037  ...    0.028416    2.184078   
m00138.wav    0.280223      0.137251 -0.920355  ...   -0.285322   -0.192336   
m00192.wav    0.556581     -0.692819  0.101782  ...   -0.849080   -0.276803   
m00206.wav   -0.200399     -0.071087  1.240265  ...    0.989720   -0.946793   
m00230.wav    0.280223     -0.492165  2.596123  ...    0.073349    0.762104   
m00236.wav    0.280223      0.962270 -0.710080  ...   -0.992708    0.237479   
m00248.wav   -0.410671     -0.477346  1.269286  ...    1.808582   -0.835496   
m00253.wav   -1.729651     -0.427638  0.426625  ...    0.485522   -0.769230   
m00298.wav   -1.619736      0.704218 -0.700220  ...    0.155711   -1.492965   
m00313.wav   -1.101566     -1.621150 -1.380740  ...    1.637573    1.425775   
m00338.wav   -0.782691      0.321627 -0.021645  ...    1.542112   -0.486405   
m00339.wav    0.556581     -0.308531  1.075439  ...    0.580677   -1.169200   
m00351.wav   -0.782691      1.201644 -0.757026  ...    0.185749   -0.640877   
m00400.wav   -2.608971      1.101189 -2.123989  ...   -1.040294    2.247019   
m00421.wav   -1.244509     -0.065184  0.923010  ...   -0.455135    1.301029   
m00429.wav    1.580730     -0.006813 -0.074261  ...    0.066440   -0.178251   
m00435.wav    0.862029      2.557347  0.018733  ...   -1.225742   -0.068556   
m00454.wav    0.280223      0.450457  0.250582  ...    0.829423   -0.479910   
m00477.wav    0.028989      1.661682 -1.153990  ...   -0.106110    0.745008   
m00501.wav    1.580730      0.166343 -0.989679  ...   -0.303797    0.357383   
m00503.wav    0.556581      0.046058  1.096817  ...    0.831167   -0.363833   
m00513.wav    0.556581      0.746311  2.555024  ...   -1.817327    1.071247   
m00553.wav    0.028989     -0.064967 -0.095030  ...   -1.059323    1.589195   
m00606.wav   -1.244509      0.299833 -1.080437  ...   -0.406580    0.266873   
m00623.wav   -0.200399     -0.303472  0.707337  ...   -1.526994    1.036150   
m00627.wav    0.280223     -0.543171  0.837107  ...    1.018362   -1.721201   
m00629.wav    0.556581     -0.565524 -0.653461  ...    0.208406   -1.084738   
m00633.wav    0.028989     -0.028764 -0.722448  ...    0.948581   -0.144053   
m00637.wav   -0.410671     -0.634733  0.141796  ...    0.570878   -1.160373   
m00658.wav   -0.604122     -0.833389  0.768728  ...    1.022027   -0.569775   
m00671.wav   -1.833101     -0.275046 -0.438705  ...   -0.195188    1.323956   
m00676.wav    0.028989     -0.610395  0.597952  ...   -1.662574   -0.162367   
m00677.wav    0.028989      3.292053 -1.132697  ...    0.713612   -0.104577   
m00678.wav    1.580730     -0.482588  0.204562  ...    0.893272   -0.170086   
m00716.wav   -0.604122      0.150028 -0.352859  ...    0.416435   -1.028670   
m00762.wav   -0.200399     -0.065397 -0.154784  ...   -0.264746    1.971791   
m00772.wav    0.556581      0.618857  0.354559  ...    0.895781   -0.969128   
m00773.wav   -0.410671     -0.576718 -0.795515  ...   -1.443701    0.858373   
m00801.wav    0.280223     -2.012457  0.026452  ...   -0.878657    0.960988   
m00821.wav    3.043800     -0.273182  2.204145  ...    2.007721   -2.058134   
m00850.wav    0.862029     -0.333645  0.467546  ...   -0.570692   -0.198435   
m00867.wav    0.028989     -0.226568 -0.243652  ...    0.695981   -0.580285   
m00895.wav   -1.101566      0.759804  0.197826  ...   -0.046403    0.823216   
m00996.wav   -0.782691     -0.520240 -0.766709  ...    1.416535   -0.651306   

            mfcc6_mean  mfcc7_mean  mfcc8_mean  mfcc9_mean      genre  \
filename                                                                
m00002.wav    0.173563   -0.548355    0.153848   -0.154394       jazz   
m00039.wav    1.095720   -0.798675    0.182794   -0.490289     reggae   
m00041.wav   -1.459630    0.505158   -1.189411    0.923385        pop   
m00072.wav   -1.291822    0.739165   -0.678809    0.677718      disco   
m00096.wav    0.422015   -0.831156    0.605457   -0.993900      disco   
m00102.wav   -1.321644   -0.031352   -1.639415   -0.359739  classical   
m00112.wav   -0.247635    2.078666    0.398821    1.636401     reggae   
m00138.wav    0.508027    0.056130    1.740265   -0.534648     reggae   
m00192.wav   -0.724115   -0.464254   -1.331074   -0.036760  classical   
m00206.wav    1.742479   -0.575393    1.731972   -0.589271     hiphop   
m00230.wav   -1.017711    0.886396   -0.459603    1.024723    country   
m00236.wav   -1.911773   -0.548167   -1.736999    0.198717  classical   
m00248.wav    1.012103   -1.205427    1.629888   -0.843874      metal   
m00253.wav    1.576968   -1.160275    1.795291   -0.381100      blues   
m00298.wav   -0.155084   -0.290897   -0.230966   -0.845679      blues   
m00313.wav   -0.936220    1.254430   -1.034527    1.018588      blues   
m00338.wav    0.044650   -0.981780    0.763326   -0.323221      blues   
m00339.wav    0.482125   -1.738267    0.525650   -1.817315       rock   
m00351.wav    0.224508   -1.263761    0.097705   -1.010856       jazz   
m00400.wav    0.413194    1.376691   -0.125939    1.418211      blues   
m00421.wav   -0.872056    1.928538   -0.801542    1.730750        pop   
m00429.wav    1.276993   -0.779455    1.302700   -0.201144     hiphop   
m00435.wav    0.070265   -0.406651   -1.356252   -0.684829  classical   
m00454.wav    1.651569   -0.860163    0.866572   -0.001118     hiphop   
m00477.wav   -1.759062    1.014908   -1.072470    1.218380  classical   
m00501.wav   -0.931346    0.920434   -0.964391    0.711141       jazz   
m00503.wav    1.292365   -0.752371    1.663279   -0.991667      metal   
m00513.wav   -0.520090    2.023155   -1.073308    1.984908        pop   
m00553.wav   -0.259077    0.949580   -0.525501    1.473174      disco   
m00606.wav   -1.409103    0.318720   -1.283452    0.108399    country   
m00623.wav   -1.656764    0.225550   -0.769049    0.112965     reggae   
m00627.wav    1.234541   -0.580616    0.712332   -1.005324      metal   
m00629.wav    0.636595   -1.179701    0.734209   -1.312755    country   
m00633.wav    0.452726   -0.776468    0.256885   -0.835520    country   
m00637.wav    1.139184   -0.676071    0.930189    0.200930     hiphop   
m00658.wav    1.303571   -0.934012    1.555147   -0.171742     hiphop   
m00671.wav   -0.597876    1.623375   -0.594650    0.952940     reggae   
m00676.wav   -1.380193    0.640297   -0.997807    0.577001        pop   
m00677.wav    0.204576   -0.210049   -0.148832   -1.572489    country   
m00678.wav    0.980320    0.007298    0.913661   -0.379877      metal   
m00716.wav    0.971441   -0.918776    0.418948   -0.748811       jazz   
m00762.wav    0.197099    1.532570   -0.290346    1.487263      disco   
m00772.wav    0.645363   -0.608964    0.917988   -1.358662       rock   
m00773.wav   -0.891454   -0.316985   -0.201543   -0.652296        pop   
m00801.wav   -0.619027    1.042483   -0.727886    0.569917       rock   
m00821.wav    0.829343   -1.145217    1.029918   -1.187887      metal   
m00850.wav    0.188095    1.320281   -0.975654    0.907961      disco   
m00867.wav    0.747490   -1.185073    0.914528   -1.807509       rock   
m00895.wav   -0.378459    0.749937   -0.676747    0.842742       rock   
m00996.wav   -1.176744    0.574570   -0.955205    1.516457       jazz   

            PCA_Component_1  PCA_Component_2  PCA_Component_3  
filename                                                       
m00002.wav        -0.661286        -3.040738        -3.391739  
m00039.wav         1.359245        -1.304717        -0.430524  
m00041.wav        -3.450563         3.925791         0.799791  
m00072.wav        -2.770486         1.837407         0.168114  
m00096.wav         3.065512         0.807930         1.513794  
m00102.wav        -2.982837        -5.015197         0.836015  
m00112.wav        -3.768145         1.397870        -3.189199  
m00138.wav         1.565384        -0.615252        -1.399014  
m00192.wav        -1.767320        -0.841912         2.762178  
m00206.wav         3.358468         1.573820        -1.208237  
m00230.wav        -2.362658         4.596334         1.185582  
m00236.wav        -2.810388        -4.463865        -1.475698  
m00248.wav         4.470725         1.582211        -0.954290  
m00253.wav         4.767450         1.480511         1.290450  
m00298.wav        -1.134283        -1.986452         1.111878  
m00313.wav        -3.453501        -2.719324        -0.554035  
m00338.wav         3.312428        -0.656204        -0.295714  
m00339.wav         5.259427         0.172304         3.099247  
m00351.wav         1.525518        -1.934687         0.222512  
m00400.wav        -4.155648        -5.060703         0.082468  
m00421.wav        -3.648766         5.153067        -0.633728  
m00429.wav         3.110103         0.484882        -1.841544  
m00435.wav        -0.501535        -3.263213         1.712099  
m00454.wav         3.092246         1.035876        -2.918171  
m00477.wav        -3.621328        -4.559819        -1.722098  
m00501.wav        -1.769586        -0.834441         1.623537  
m00503.wav         4.765493         0.303730        -0.310403  
m00513.wav        -3.595616         6.020670        -2.136228  
m00553.wav        -2.504267         0.584663         0.746404  
m00606.wav        -3.033943        -2.268128         1.297916  
m00623.wav        -2.982673         2.957186         2.197331  
m00627.wav         3.480421         0.665182         0.707633  
m00629.wav         3.505332        -0.797418        -0.518927  
m00633.wav         2.682393        -1.054375         0.450360  
m00637.wav         1.959856         0.237172        -2.565966  
m00658.wav         3.025122         1.473455        -1.712716  
m00671.wav        -2.641565        -0.235871        -2.058647  
m00676.wav        -2.429120         2.636766         1.632049  
m00677.wav         0.558315        -3.583280         1.341483  
m00678.wav         2.223983         0.260151        -1.337563  
m00716.wav         1.520892        -1.279420        -1.250196  
m00762.wav        -3.541632         3.016091        -1.702286  
m00772.wav         4.320138        -1.251159         2.095050  
m00773.wav        -3.113622        -0.409345         3.494737  
m00801.wav        -3.639496         2.947230         2.224247  
m00821.wav         5.771560         2.146561         0.814633  
m00850.wav        -1.917320         1.899693        -0.852695  
m00867.wav         3.686435        -1.322420         0.842992  
m00895.wav        -1.567539         1.639482         1.428211  
m00996.wav        -2.561328        -2.338098        -1.221093  

[50 rows x 34 columns]


label_group = label.groupby('genre')[['PCA_Component_1', 'PCA_Component_2', 'PCA_Component_3']].agg('mean')


scdfl = label_group


# Kijken welke clusters tot welke genre horen
bepaal_genres(df_grouped, euclidische_afstand)
bepaal_genres(df_grouped, manhattan_afstand)
bepaal_genres(df_grouped, minkowski_afstand, 2)

Genres volgens euclidische_afstand:
Cluster 0: {'Genre 1': 'reggae', 'Aantal 1': 1, 'Genre 2': 'pop', 'Aantal 2': 1}
Cluster 1: {'Genre 1': 'metal', 'Aantal 1': 2, 'Genre 2': 'country', 'Aantal 2': 1}
Cluster 2: {'Genre 1': 'classical', 'Aantal 1': 2, 'Genre 2': 'blues', 'Aantal 2': 1}

Genres volgens manhattan_afstand:
Cluster 0: {'Genre 1': 'reggae', 'Aantal 1': 1, 'Genre 2': 'pop', 'Aantal 2': 1}
Cluster 1: {'Genre 1': 'metal', 'Aantal 1': 2, 'Genre 2': 'country', 'Aantal 2': 1}
Cluster 2: {'Genre 1': 'classical', 'Aantal 1': 2, 'Genre 2': 'blues', 'Aantal 2': 1}

Genres volgens minkowski_afstand:
Cluster 0: {'Genre 1': 'reggae', 'Aantal 1': 1, 'Genre 2': 'pop', 'Aantal 2': 1}
Cluster 1: {'Genre 1': 'metal', 'Aantal 1': 2, 'Genre 2': 'country', 'Aantal 2': 1}
Cluster 2: {'Genre 1': 'classical', 'Aantal 1': 2, 'Genre 2': 'blues', 'Aantal 2': 1}

{'PCA_Component_1': genre       blues classical   country     disco    hiphop      jazz     metal  \
 cluster                                                                         
 0        0.748973  1.454998  1.151571  0.651955  3.790843  0.492526   5.02412   
 1         5.02322  7.227191  4.620622  6.424148   1.98135  5.279667  0.748073   
 2        2.223338  0.019367  2.625936   0.82241  5.265208  1.966891  6.498485   
 
 genre         pop    reggae      rock  
 cluster                                
 0        2.365853  0.411867  2.493477  
 1        8.138046   6.18406  3.278716  
 2        0.891489  1.062498  3.967842  ,
 'PCA_Component_2': genre       blues classical   country     disco    hiphop      jazz     metal  \
 cluster                                                                         
 0        5.263531  7.103897   4.09647  1.845939  2.514055  5.360573  2.483529   
 1        0.605861  2.446227    0.5612  2.811731  2.143615  0.702903  2.174141   
 2        0.987384  0.852982  2.154446  4.404976   3.73686  0.890342  3.767386   
 
 genre         pop    reggae      rock  
 cluster                                
 0        0.009706  3.035253  3.038009  
 1        4.647964  1.622417  1.619661  
 2        6.241209  3.215662  3.212906  ,
 'PCA_Component_3': genre       blues classical   country     disco    hiphop      jazz     metal  \
 cluster                                                                         
 0         0.49136   0.58685  0.915634  0.139017  1.884976  0.639045  0.051647   
 1        0.524217  0.619707  0.948491  0.171874  1.852119  0.606188   0.01879   
 2        0.026973  0.122463  0.451246  0.325371  2.349363  1.103432  0.516035   
 
 genre         pop    reggae      rock  
 cluster                                
 0        0.795675   0.81166    2.1023  
 1        0.828532  0.778803  2.135157  
 2        0.331287  1.276047  1.637913  }


# Maken van dictionary voor vervangen cluster nummers
cluster_map = {
    0 : 'classical',
    1 : 'metal',
    2 : 'pop'
}

# Aanmaken csv voor Kaggle
# kaggle_upload(df, cluster_map, 'submission_cl_me_po_PCA_012')


# Maken van dictionary voor vervangen cluster nummers
cluster_map = {
    2 : 'classical',
    1 : 'metal',
    0 : 'pop'
}

# Aanmaken csv voor Kaggle
# kaggle_upload(df, cluster_map, 'submission_cl_me_po_PCA_210')


# Omdat nmf niet gebruikt kan worden met negatieve waardes moeten we eerst zorgen
# dat we alleen maar positieve data hebben. 

# nmfdf = scdf.copy()

# nmfdf[nmfdf < 0] = 0

# Fill NaN values with zero
# nmfdf = nmfdf.fillna(0)

# nmfdf.head()


# Hier word bepaald hoeveel componenten we gebruiken voor NMF
# components_range = range(1, 10)  
# residual_sums_of_squares = []

# Loop om range van componenten te checken
# for n_components in components_range:
#     nmf_model = NMF(n_components=n_components)
#     nmf_result = nmf_model.fit_transform(nmfdf)
    
#     reconstructed_data = np.dot(nmf_result, nmf_model.components_)
    
#     rss = np.sum((nmfdf - reconstructed_data) ** 2)
    
#     residual_sums_of_squares.append(rss)

# Plot om het optimate aantal componenten te bepalen
# plt.plot(components_range, residual_sums_of_squares, marker='o')
# plt.xlabel('Aantal componenten')
# plt.ylabel('Residual Sum of Squares')
# plt.title('Elleboog methode')
# plt.show()


# Omdat het dataframe op dit punt nog veranderd, hebben er voor gekozen om een functie aan te maken voor het toepassen van NMF.

def apply_nmf(dataframe, n_components=4, random_state=42):
    """
    Non-Negative Matrix Factorisation toepassen op een dataframe.

    Parameters:
    - dataframe: DataFrame zonder negatieve waardes. 
    - n_components (int): aantal componenten.
    - random_state (int): Seed voor random state.

    Returns:
    - nmf_result (DataFrame): gefactoriseerde output van het originele DataFrame.
    """

    # NMF initialseren
    nmf_model = NMF(n_components=n_components, random_state=random_state)

    # NMF toepassen
    nmf_result = pd.DataFrame(nmf_model.fit_transform(dataframe), index=dataframe.index)

    return nmf_result


# best_nmf = apply_nmf(data, n_components=4, random_state=42)


# Aanmaken van de scaler
minmax = MinMaxScaler()

# Toepassen van de scaler op unlabeled (behalve eerste kolommen)
scaled_data = minmax.fit_transform(unlabeled.iloc[:, 2:])

# Omzetten van de data naar een dataframe
scaled_df = pd.DataFrame(scaled_data,
                         columns=unlabeled.columns[2:],
                         index=unlabeled.index)

# Tonen van describe om te kijken of het heeft gewerkt
display(scaled_df.describe())


# Aanmaken lijst voor waarden en range voor componenten
errors = []
componenten = range(1, 11)

# Loopen over alle aantallen componenten
for n_components in componenten:
    # Toepassen NMF
    nmf = NMF(n_components=n_components, random_state=42)
    
    # Fit_Transform de data
    nmf.fit_transform(scaled_df)
    
    # Opslaan errors
    errors.append(nmf.reconstruction_err_)

# Plotten van de verschillende errors
plt.plot(componenten, errors, '-x')
plt.xlabel('Aantal componenten')
plt.ylabel('Reconstruction Error')
plt.show()


# Toepassen van NMF
nmf = NMF(n_components=3, random_state=42)

# Fit en transformeer de data
nmf_result = nmf.fit_transform(scaled_df)

# Aanmaken van dataframe met de componenten
nmf_df = pd.DataFrame(nmf_result,
                      columns=[f'NMF_Component_{i+1}' for i in range(3)],
                      index=unlabeled.index)

# Tonen van het dataframe
display(nmf_df)


# Toepassen elleboog methode
elleboog_KMeans(11, nmf_df)


# Toepassen van KMeans_Clustering
nmf_df = clusteren(3, nmf_df)

1    40
0    39
2    26
Name: cluster, dtype: int64


# Tonen van de clusters op een 2D-schaal
sns.scatterplot(data=nmf_df,
                x='NMF_Component_2',
                y='NMF_Component_3',
                hue='cluster',
                palette='viridis')

plt.title('NMF cluster verdeling')
plt.show()


# Bepalen figuur grootte en assen
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# Aanmaken scatterplot met 3 assen
scatter = ax.scatter(nmf_df['NMF_Component_1'],
                     nmf_df['NMF_Component_2'],
                     nmf_df['NMF_Component_3'],
                     c=nmf_df['cluster'],
                     cmap='viridis')

# Aanmaken as-titels en titel
ax.set_xlabel('NMF_Component_1')
ax.set_ylabel('NMF_Component_2')
ax.set_zlabel('NMF_Component_3')
ax.set_title('3D Scatteplot met NMF Clusters')
fig.colorbar(scatter, label='Cluster')

plt.show()


# Aanmaken van de scaler
minmax = MinMaxScaler()

# Toepassen van de scaler op unlabeled (behalve eerste kolommen)
scaled_data_label = minmax.fit_transform(labeled.iloc[:, 3:])

# Omzetten van de data naar een dataframe
scaled_df_label = pd.DataFrame(scaled_data_label,
                         columns=labeled.columns[3:],
                         index=labeled.index)

# Tonen van describe om te kijken of het heeft gewerkt
display(scaled_df_label.describe())


# Fit en transformeer de data
nmf_label = nmf.fit_transform(scaled_df_label)

# Aanmaken van dataframe met de componenten
nmf_df_label = pd.DataFrame(nmf_label,
                      columns=[f'NMF_Component_{i+1}' for i in range(3)],
                      index=labeled.index)

# Toevoegen van de genres aan de data
nmf_df_label['genre'] = labeled['genre']

# Fileteren op de data voor de juiste genres
nmf_label_filtered = nmf_df_label[
    nmf_df_label['genre'].isin(['pop', 'classical', 'metal'])
    ]

# Tonen van het dataframe
display(nmf_label_filtered.head())


vergelijking_genres(
    data1=nmf_df,
    data2=nmf_label_filtered,
    x='NMF_Component_2',
    y='NMF_Component_3'
)


# Maken van de cluster map
cluster_map = {
    0 : 'classical',
    1 : 'pop',
    2 : 'metal'
}

# Kaggle CSV aanmaken
# kaggle_upload(nmf_df, cluster_map, 'submission_cl_po_me_NMF')


# Aanmaken genre map
genre_map = {
    'classical' : 0,
    'pop' : 1,
    'metal' : 2
}

# Copy maken van dataset
nmf_label_visu = nmf_label_filtered.copy()

# Aanpassen van genres naar getallen
nmf_label_visu['genre'] = nmf_label_filtered['genre'].replace(genre_map)

# Bepalen figuur grootte en assen
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# Aanmaken scatterplot met 3 assen
scatter = ax.scatter(nmf_label_visu['NMF_Component_1'],
                     nmf_label_visu['NMF_Component_2'],
                     nmf_label_visu['NMF_Component_3'],
                     c=nmf_label_visu['genre'],
                     cmap='viridis')

# Aanmaken as-titels en titel
ax.set_xlabel('NMF_Component_1')
ax.set_ylabel('NMF_Component_2')
ax.set_zlabel('NMF_Component_3')
ax.set_title('3D Scatteplot met NMF Genres')
fig.colorbar(scatter, label='Genres')

plt.show()


# Maken van de cluster map
cluster_map = {
    0 : 'pop',
    1 : 'classical',
    2 : 'metal'
}

# Kaggle CSV aanmaken
# kaggle_upload(nmf_df, cluster_map, 'submission_po_cl_me_NMF')


# Maken van dictionary voor vervangen cluster nummers
cluster_map = {
    0 : 'classical',
    1 : 'pop',
    2 : 'metal'
}

# Vervangen van clusternummers door genres
scdf['cluster'] = scdf['cluster'].replace(cluster_map)


def speel_lied(genre):
    """
    Speelt een willekeurig nummer van het opgegeven muziekgenre af
    en geeft suggesties voor andere nummers binnen hetzelfde genre.

    Parameters:
    ----------
    genre : str
        Het gewenste muziekgenre.

    Returns:
    ----------
    suggesties : list
        Een lijst met suggesties voor andere nummers binnen hetzelfde genre.
        Als het opgegeven genre niet wordt gevonden, wordt None geretourneerd.
    """
    # Selecteer een willekeurig genre
    genre_songs = labeled[labeled['genre'] == genre]

    # Indien het genre niet is gevonden, geef bericht
    if len(genre_songs) == 0:
        print(f"Geen muziek gevonden voor: {genre}."
              f"Probeer een van deze: {labeled['genre'].unique()}")
        return None

    # Pak een willekeurig nummer
    random_song = genre_songs.sample(1).index[0]

    # Display and play the selected song
    audio = os.path.join('labeled/', random_song)
    display(Audio(filename=audio))
    
    # Return suggestions for the selected genre
    suggesties = genre_songs.sample(5)
    return suggesties.index.tolist()

# Selecteren genre en gebruiken functie
selected_genre = 'pop'
suggesties = speel_lied(selected_genre)

# Printen van suggesties
print(f"\nSuggesties voor {selected_genre} genre:")
print(suggesties)

Suggesties voor pop genre:
['m00513.wav', 'm00041.wav', 'm00773.wav', 'm00421.wav', 'm00676.wav']


def speel_r_lied(genre):
    """
    Speelt een willekeurig nummer van het opgegeven muziekgenre af
    en geeft suggesties voor andere nummers binnen hetzelfde genre.

    Parameters:
    ----------
    genre : str
        Het gewenste muziekgenre.

    Returns:
    ----------
    None
    """
    # Selecteer een willekeurig genre
    genre_songs = labeled[labeled['genre'] == genre]

    # Indien het genre niet is gevonden, geef bericht
    if len(genre_songs) == 0:
        print(f"Geen muziek gevonden voor: {genre}."
              f"Probeer een van deze: {labeled['genre'].unique()}")
        return None

    # Pak een willekeurig nummer
    random_song = genre_songs.sample(1).index[0]

    # Toon bestandsnaam en genre
    with output_area:
        clear_output(wait=True)
        display(HTML(f"<h1>--Genre: {genre}--</h1><h3>{random_song}</h3>"))

        # Tonen en speelbaar maken lied
        audio = os.path.join('labeled/', random_song)
        display(Audio(filename=audio))

    # Plaats suggesties voor het genre
    suggesties = genre_songs.sample(5)
    with output_area:
        print(f"\nSuggesties voor {genre} genre:")
        suggesties_knop = [widgets.Button(description=song, layout=widgets.Layout(width='100%')) for song in suggesties.index]
        for button in suggesties_knop:
            button.on_click(suggestie_knop)
        display(*suggesties_knop)

def suggestie_knop(button):
    """
    Zorgt voor de suggestie knoppen

    Parameters:
    ----------
    button : widgets.Button
        De button voor de suggestie

    Returns:
    ----------
    None
    """
    with output_area:
        speel_g_lied(button.description)

def speel_g_lied(song):
    """
    Afspelen van geselecteerd lied

    Parameters:
    ----------
    song : str
        het lied

    Returns:
    ----------
    None
    """
    # Tonen bestandnaam en genre
    with output_area:
        clear_output(wait=True)
        display(HTML(f"<h1>--Genre: {genre}--</h1><h3>{song}</h3>"))

        # Tonen en afspeelbaar maken lied
        audio = os.path.join('labeled/', song)
        display(Audio(filename=audio))

    # Verversen van suggesties
    suggesties = labeled[labeled['genre'] == genre].sample(5)
    with output_area:
        print(f"\nSuggesties voor {genre} genre:")
        suggesties_knop = [widgets.Button(description=song, layout=widgets.Layout(width='100%')) for song in suggesties.index]
        for button in suggesties_knop:
            button.on_click(suggestie_knop)
        display(*suggesties_knop)

def genre_knop(button):
    """
    Zorgt voor het handelen van de genre knoppen

    Parameters:
    ----------
    button : widgets.Button
        De button voor het genre

    Returns:
    ----------
    None
    """
    with output_area:
        global genre
        genre = button.description
        speel_r_lied(genre)

# Ophalen van genres
genres = labeled['genre'].unique()

# Knop maken voor elk genre
genre_knoppen = [widgets.Button(description=genre) for genre in genres]

# Attach the callback function to button clicks
for button in genre_knoppen:
    button.on_click(genre_knop)

# Maak output area voor lied en suggesties
output_area = widgets.Output()

# Random button
random_button = widgets.Button(description="Random Pick")
random_button.on_click(lambda _: speel_r_lied(random.choice(genres)))

# Tonen resultaat
buttons_box = widgets.HBox(genre_knoppen)
display(buttons_box, output_area, random_button)

HBox(children=(Button(description='jazz', style=ButtonStyle()), Button(description='reggae', style=ButtonStyle…

Output()

Button(description='Random Pick', style=ButtonStyle())


class TuneTips:
    """
    Een class die een app opstart. Deze app kan muziekfragmenten
    afspelen en muziek aanraden op basis van genres.
    """
    def __init__(self, root, dataframe, genre_column, directory):
        """
        Initialisatie van de MusicPlayerApp.

        Parameters:
        ----------
        root : Tk
            Het hoofdvenster van de applicatie.

        dataframe : pandas.DataFrame
            Het DataFrame met informatie over de nummers.

        genre_column : str
            De kolom in het DataFrame die het genre van de nummers bevat.

        directory : str
            Het pad naar de map met de muziekbestanden.
        """
        # Aanmaken venster
        self.root = root
        self.root.title("Tune Tips - Music Advisor (BETA-EDITION)")

        # Initialiseren van mixer
        mixer.init()

        # Gebruiken van doorgegeven df, kolom en dir
        self.labeled = dataframe
        self.genre_column = genre_column
        self.directory = directory

        # Ophalen genres in de genre kolom
        self.available_genres = self.labeled[self.genre_column].unique()

        # Aanmaken van genre knoppen
        self.genre_buttons = [ttk.Button(root,
                                         text=genre,
                                         command=lambda g=genre: self.play_random_song(g)
                                         ) for genre in self.available_genres]
        
        # Aanmaken genre label
        self.genre_label = ttk.Label(root, text="Genres:")
        self.genre_label.grid(row=7, column=3, columnspan=2, sticky="w")

        # Genre knoppen plaatsen
        for i, button in enumerate(self.genre_buttons):
            button.grid(row=8 + i, column=3, sticky="nsew")

        # Maken display window voor tekst
        self.d_window = tk.Text(root, height=12, width=100)
        self.d_window.grid(row=1, column=3, rowspan=6, columnspan=4)
        self.d_window.delete(1.0, tk.END)
        self.d_window.tag_configure("big", font=('Helvetica', 42), justify='center')
        self.d_window.insert(tk.END, f"Kies een genre of klik op\nRandom Song", "big")
        self.d_window.yview(tk.MOVETO, 0.0)
        self.d_window.config(state=tk.DISABLED)

        # Aanmaken suggesties label
        self.suggestions_label = ttk.Label(root, text="Song Suggestions:")
        self.suggestions_label.grid(row=7, column=4, columnspan=2, sticky="w")

        # Aanmaken en plaatsten suggestie knoppen
        self.suggestion_buttons = [ttk.Button(root,
                                              text="",
                                              command=lambda i=i: self.play_selected_song(i),
                                              width=18
                                              ) for i in range(10)]
        
        for i, button in enumerate(self.suggestion_buttons):
            button.grid(row=8 + i, column=4, sticky="w")

        # Volume control
        self.volume_label = ttk.Label(root, text="Volume:")
        self.volume_scale = ttk.Scale(root, from_=0, to=100,
                                      orient=tk.HORIZONTAL,
                                      command=self.set_volume,
                                      length=400)


        self.volume_label.grid(row=9, column=5, sticky="e")
        self.volume_scale.grid(row=9, column=6, sticky="w")
        self.volume_scale.set(50)

        # Play/Pause knop
        self.playing = False
        self.play_pause_button = ttk.Button(root, text="Play",
                                            command=self.play_pause_music)
        
        self.play_pause_button.grid(row=10, column=5,
                                    rowspan=2, columnspan=1, sticky="ew")

        # Restart knop
        self.restart_button = ttk.Button(root, text="Restart",
                                         command=self.restart_music)
        
        self.restart_button.grid(row=10, column=6,
                                 rowspan=2, columnspan=1, sticky="ew")

        # Random Song knop
        self.random_number = ttk.Button(root, text="Random Song",
                                        command=self.random_number)
        
        self.random_number.grid(row=11, column=5,
                                rowspan=2, columnspan=2, sticky="ew")

        # Voortgangs display
        self.progress_label = ttk.Label(root, text="Voortgang:")
        self.progress_var = tk.DoubleVar()
        self.progress_bar = ttk.Progressbar(root, orient=tk.HORIZONTAL,
                                            mode='determinate',
                                            variable=self.progress_var,
                                            length=400)
        
        self.progress_label.grid(row=8, column=5, sticky="e")
        self.progress_bar.grid(row=8, column=6, sticky="w")

        # Updaten elke 100 ms
        self.root.after(100, self.update_progress)

    def update_suggestions(self, genre):
        """
        Update de suggestieknoppen op
        basis van het geselecteerde genre.

        Parameters:
        ----------
        genre : str
            Het geselecteerde genre.
        """
        # Ophalen genre en huidig nummer
        genre_songs = self.labeled[self.labeled[self.genre_column] == genre]
        random_song = self.current_song
        self.current_genre = genre

        # Geven van suggesties op basis van gelijkenis
        suggestions = self.get_unique_suggestions(genre_songs, random_song, 10)
        suggestions_sorted = self.sort_suggestions_by_similarity(suggestions)
        for i, song in enumerate(suggestions_sorted):
            self.suggestion_buttons[i].config(text=song)

    def sort_suggestions_by_similarity(self, suggestions):
        """
        Sorteer de suggesties op basis van
        cosinusgelijkenis met het huidige nummer.

        Parameters:
        ----------
        suggestions : list of str
            Een lijst met nummers als suggesties.

        Returns:
        ----------
        sorted_suggestions : list of str
            Een lijst met nummers gesorteerd op cosinusgelijkenis.
        """
        # Bereken de features voor het huidige nummer
        current_song_features = self.get_song_features(self.current_song)

        # Bereken de cosinusgelijkenis met elk nummer
        similarity_scores = []
        for song in suggestions:
            song_features = self.get_song_features(song)
            similarity_score = cosine_similarity(
                [current_song_features], [song_features]
                )[0][0]
            similarity_scores.append(similarity_score)

        # Sorteer de suggesties op basis van de cosinusgelijkenis
        sorted_suggestions = [song for _, song in sorted(
            zip(similarity_scores, suggestions), reverse=True
            )]

        return sorted_suggestions

    def get_song_features(self, song):
        """
        Haal de features van het
        nummer op uit het DataFrame.

        Parameters:
        ----------
        song : str
            Het nummer waarvan de
            features moeten worden opgehaald.

        Returns:
        ----------
        features : numpy array
            Een array met de features van het nummer.
        """
        # Selecteren van bruikbare features
        features = self.labeled.loc[song, self.labeled.columns != 'cluster'].values
        return features

    def play_random_song(self, genre):
        """
        Speel een willekeurig nummer af van het opgegeven genre.

        Parameters:
        ----------
        genre : str
            Het genre van de nummers om uit te kiezen.
        """
        # Indien er muziek speelt, update alleen de buttons
        if self.playing:
            self.update_suggestions(genre)
            return
        
        # Ophalen genres en muziek
        genre_songs = self.labeled[self.labeled[self.genre_column] == genre]
        random_song = genre_songs.sample(1).index[0]

        # Tonen van bestand en genre
        self.d_window.config(state=tk.NORMAL)
        self.d_window.delete(1.0, tk.END)
        self.d_window.tag_configure("big", font=('Helvetica', 42), justify='center')
        self.d_window.insert(tk.END, f"Currently playing: {random_song}"
                                f"\n--Genre: {genre}--", "big")
        
        self.d_window.yview(tk.MOVETO, 0.0)
        self.d_window.config(state=tk.DISABLED)

        # Opslaan van het genre en nummer
        self.current_genre = genre
        self.current_song = random_song

        # Speel het bestand af
        file_path = os.path.join(self.directory, random_song)
        mixer.music.load(file_path)
        mixer.music.play()

        # Geef suggesties op basis van genre
        suggestions = self.get_unique_suggestions(genre_songs, random_song, 10)
        for i, song in enumerate(suggestions):
            self.suggestion_buttons[i].config(text=song)

        # Zet voortgangsbar aan
        song_length = mixer.Sound(file_path).get_length()
        self.progress_bar["maximum"] = int(song_length)

        # Update status
        self.playing = True
        self.play_pause_button.config(text="Pause")

    def get_unique_suggestions(self, genre_songs, current_song, num_suggestions):
        """
        Genereer unieke suggesties voor het geselecteerde genre.

        Parameters:
        ----------
        genre_songs : pandas.DataFrame
            DataFrame met nummerinformatie van het geselecteerde genre.

        current_song : str
            Het nummer dat momenteel wordt afgespeeld.

        num_suggestions : int
            Het aantal suggesties dat moet worden gegenereerd.

        Returns:
        ----------
        suggestions : list of str
            Een lijst met unieke suggesties.
        """
        # Excludeer huidig nummer
        genre_songs = genre_songs[genre_songs.index != current_song]

        # Haal suggesties op
        suggestions = []
        while len(suggestions) < num_suggestions and not genre_songs.empty:
            song = genre_songs.sample(1).index[0]
            suggestions.append(song)
            genre_songs = genre_songs[genre_songs.index != song]

        return suggestions

    def play_selected_song(self, index):
        """
        Speel het geselecteerde nummer af op
        basis van de index van de suggestieknop.

        Parameters:
        ----------
        index : int
            De index van de suggestieknop.
        """
        # Haal nummer op, op basis van knop
        selected_song = self.suggestion_buttons[index].cget("text")
        file_path = os.path.join(self.directory, selected_song)
        mixer.music.load(file_path)
        mixer.music.play()

        # Updaten display tekst
        self.d_window.config(state=tk.NORMAL)
        self.d_window.delete(1.0, tk.END)
        self.d_window.tag_configure("big", font=('Helvetica', 42), justify='center')
        self.d_window.insert(tk.END, f"Currently playing: {selected_song}"
                             f"\n--Genre: {self.current_genre}--", "big")
        
        self.d_window.yview(tk.MOVETO, 0.0)
        self.d_window.config(state=tk.DISABLED)

        # Opslaan van nummer
        self.current_song = selected_song

        # Update status
        self.playing = True
        self.play_pause_button.config(text="Pause")

    def random_number(self):
        """
        Speel een willekeurig nummer
        af van een willekeurig genre.
        """
        # Kiezen willekeurig genre
        genre = random.choice(self.available_genres)
        self.play_random_song(genre)

    def restart_music(self):
        """
        Herstart het afspelen van het huidige nummer.
        """
        # Indien er muziek speelt
        if self.playing:
            mixer.music.rewind()
            mixer.music.play()
        # Begin opnieuw wanneer op pauze 
        # (zonder code wilde dit niet werken)
        else:
            file_path = os.path.join(self.directory, self.current_song)
            mixer.music.load(file_path)
            mixer.music.play()

        # Updaten status
        self.playing = True
        self.play_pause_button.config(text="Pause")

    def set_volume(self, val):
        """
        Stel het volume in op basis van de opgegeven waarde.

        Parameters:
        ----------
        val : float
            De waarde om het volume in te
            stellen (tussen 0 en 100).
        """
        # Regelen van volumeknop
        volume = float(val) / 100
        mixer.music.set_volume(volume)

    def play_pause_music(self):
        """
        Pauzeer of hervat het afspelen van muziek
        """
        # Als muziek speelt, pauzeer
        if mixer.music.get_busy():
            mixer.music.pause()
            self.play_pause_button.config(text="Play")
        # Zo niet, speel muziek
        else:
            mixer.music.unpause()
            self.play_pause_button.config(text="Pause")

        # Wissel van staat
        self.playing = not self.playing

    def update_progress(self):
        """
        Voortgangsbalk op basis
        van de huidige afspeeltijd.
        """
        # Indien muziek speelt
        if mixer.music.get_busy():
            current_time = mixer.music.get_pos() / 1000
            self.progress_var.set(current_time)
        else:
            # Als muziek klaar is, zet knop op tekst Play
            self.play_pause_button.config(text="Play")
            self.playing = False

        # update elke 100 ms
        self.root.after(100, self.update_progress)


# Gebruiken van de app op labeled
# root = tk.Tk()
# app = MusicPlayerApp(root, labeled, 'genre', 'labeled/')
# root.mainloop()


# Gebruiken van de app op unlabeled
root = tk.Tk()
app = TuneTips(root, scdf, 'cluster', 'unlabeled/')
root.mainloop()


# Selecteren van target
target = 'cluster'

# Making the SEED
SEED = 42

# Splitting the data into X and y
X = scdf.drop(target, axis=1)
y = scdf[target]

# Applying train_test_split to get train and test data
X_train, X_test, y_train, y_test = train_test_split(
                                        X, y, test_size=0.2, random_state=SEED
                                        )


# Uitvoeren van random forest
rf = RandomForestClassifier(
    max_depth=10,
    n_estimators=100,
    min_samples_leaf=2,
    n_jobs=-1,
    random_state=SEED
)

# Fitten van de data in het model
rf.fit(X_train, y_train)

# Voorspellen van de uitkomsten
y_pred = rf.predict(X_test)


# Aanmaken en sorteren invloed kolommen
invloed = pd.Series(rf.feature_importances_, index=X.columns)
invloed = invloed.sort_values(ascending=True)

# Plotten grafiek met invloed
invloed.plot(kind='barh', figsize=(10, 20))
plt.ylabel('Features')
plt.xlabel('Invloed')
plt.show()

Teamleden	Kaggle Username	GitHub Username
Busse Heemskerk	bussejheemskerk	BJHeemskerk
Isa Dijkstra	isadijkstra	IsaD01

	genre	data	Hz	mfcc1_mean	mfcc2_mean	mfcc3_mean	mfcc4_mean	mfcc5_mean	mfcc6_mean	mfcc7_mean	...	mean_bandwidth	mean_centroids	mean_spectral_contrast	mean_tonnetz	mean_spectral_rolloff	mean_rms_energy	mean_zcr	mean_beat	mean_tempo	mean_harmonie
filename
m00002.wav	jazz	[-0.016357421875, -0.0228271484375, -0.0146789...	22050	-298.807953	112.078209	6.485770	28.386517	-6.764679	16.651894	-11.809684	...	1919.917650	1451.498371	24.225544	0.000351	3046.089914	0.050493	0.051222	642.500000	129.199219	0.000083
m00039.wav	reggae	[-0.09478759765625, -0.15338134765625, -0.1439...	22050	-169.243668	110.447716	-8.553957	43.898693	0.266454	26.646509	-14.365674	...	2019.252686	1811.358216	22.132186	0.016613	3854.901690	0.123652	0.072178	623.820896	135.999178	-0.001899
m00041.wav	pop	[0.078033447265625, -0.03765869140625, 0.12664...	22050	-18.854591	71.328522	-3.743232	-1.396592	0.710347	-1.049137	-1.052407	...	2992.192112	3111.061099	17.239507	-0.035761	6745.275879	0.198348	0.152910	616.652174	95.703125	0.000018
m00072.wav	disco	[0.1060791015625, 0.0849609375, 0.062103271484...	22050	-69.599335	83.059570	-16.599524	0.119469	7.415704	0.769619	1.337008	...	2709.990169	2625.095044	19.452643	-0.018575	5606.407765	0.142975	0.120259	639.920635	129.199219	-0.000002
m00096.wav	disco	[-0.03607177734375, -0.105682373046875, -0.201...	22050	-91.886307	87.604057	-2.058175	34.285538	-18.153370	19.344702	-14.697328	...	2486.020650	2550.135384	21.882917	0.009210	5585.291227	0.184435	0.115890	639.274194	123.046875	0.003067

	data	Hz	mfcc1_mean	mfcc2_mean	mfcc3_mean	mfcc4_mean	mfcc5_mean	mfcc6_mean	mfcc7_mean	mfcc8_mean	...	mean_bandwidth	mean_centroids	mean_spectral_contrast	mean_tonnetz	mean_spectral_rolloff	mean_rms_energy	mean_zcr	mean_beat	mean_tempo	mean_harmonie
filename
m00003.wav	[-0.129364013671875, -0.1422119140625, -0.1157...	22050	-82.501259	97.344116	-34.373585	71.405922	-3.283182	17.367373	-9.023832	16.011181	...	2070.908729	2254.451748	20.382411	0.005218	4381.173508	0.136249	0.120159	636.772727	135.999178	-0.001880
m00012.wav	[-0.003814697265625, 0.089080810546875, 0.1600...	22050	-1.925411	72.695557	-32.789642	63.592033	-18.557953	25.872955	-13.854105	18.064384	...	2286.246872	2908.260266	20.043229	0.001804	5405.642313	0.217447	0.178119	612.180000	103.359375	0.000014
m00013.wav	[0.004791259765625, 0.0048828125, 0.0045166015...	22050	-287.520996	101.737930	-35.368999	41.282764	-12.745123	17.284992	-13.978299	16.311886	...	1865.851544	1953.012399	23.257077	0.012233	3780.543806	0.029100	0.123492	639.305263	184.570312	-0.000730
m00043.wav	[-0.11505126953125, -0.12127685546875, -0.1372...	22050	-120.127808	91.287666	-38.794960	75.003784	-3.806012	22.666491	-8.123723	23.654572	...	2073.302486	2384.812610	19.721734	0.014826	4585.038942	0.100442	0.126103	639.573529	135.999178	-0.000309
m00044.wav	[-0.017822265625, -0.016693115234375, -0.01486...	22050	-437.525208	170.971405	7.386171	-3.108705	0.777302	-11.135056	-12.523807	-6.900928	...	899.979779	790.478225	20.256635	-0.024661	1159.401323	0.018844	0.052112	578.258065	143.554688	-0.000012

	mean_bandwidth	mean_beat	mean_centroids	mean_harmonie	mean_rms_energy	mean_spectral_contrast	mean_spectral_rolloff	mean_tempo	mean_tonnetz	mean_zcr	...	mfcc1_mean	mfcc20_mean	mfcc2_mean	mfcc3_mean	mfcc4_mean	mfcc5_mean	mfcc6_mean	mfcc7_mean	mfcc8_mean	mfcc9_mean
filename
m00003.wav	-0.282118	0.101179	-0.118884	-1.781320	-0.005254	0.078336	-0.205532	0.387660	-0.332126	0.027061	...	0.484487	-0.564025	-0.044274	-0.953633	2.103414	-0.223317	0.781341	-0.632439	0.962736	-1.800265
m00012.wav	0.019216	-0.440457	0.616770	0.310657	0.947308	-0.083214	0.293430	-0.702430	-0.452162	1.407482	...	1.074915	2.264119	-0.669653	-0.886789	1.719003	-1.585550	1.483047	-1.130237	1.147159	-0.935620
m00013.wav	-0.569065	0.156956	-0.458058	-0.511490	-1.262254	1.447517	-0.498065	2.009818	-0.085519	0.106458	...	-1.017818	0.345629	0.067205	-0.995640	0.621481	-1.067151	0.774544	-1.143036	0.989746	-0.158202
m00043.wav	-0.278768	0.162864	0.027796	-0.046399	-0.425318	-0.236340	-0.106240	0.387660	0.005644	0.168636	...	0.208774	-1.208863	-0.197937	-1.140219	2.280413	-0.269944	1.218515	-0.539675	1.649282	-1.265518
m00044.wav	-1.920661	-1.187562	-1.766122	0.281819	-1.382571	0.018429	-1.774679	0.639996	-1.382611	-1.593567	...	-2.116991	-1.297411	1.823784	0.808667	-1.562392	0.138805	-1.570094	-0.993139	-1.095278	-0.188952

	mean_bandwidth	mean_beat	mean_centroids	mean_harmonie	mean_rms_energy	mean_spectral_contrast	mean_spectral_rolloff	mean_tempo	mean_tonnetz	mean_zcr	...	mfcc1_mean	mfcc20_mean	mfcc2_mean	mfcc3_mean	mfcc4_mean	mfcc5_mean	mfcc6_mean	mfcc7_mean	mfcc8_mean	mfcc9_mean
cluster
0	-1.093588	0.025930	-1.127912	0.021940	-1.020845	0.922238	-1.128405	0.267355	0.595745	-0.963483	...	-1.127160	-0.201491	1.133648	-0.525976	-0.309505	-0.204740	-0.656909	-0.516017	-0.677724	-0.371118
1	1.072204	-0.025410	0.909882	0.218999	0.798669	-0.975278	0.982941	-0.374241	-0.345211	0.540537	...	0.657086	0.090581	-0.861932	1.011845	-0.672757	0.882764	-0.286639	1.031204	-0.292967	1.002006
2	-0.009162	0.000196	0.292050	-0.369831	0.302546	0.117071	0.180391	0.174722	-0.362524	0.613629	...	0.679839	0.162882	-0.374423	-0.767721	1.499267	-1.050988	1.426347	-0.812442	1.467305	-0.984872

Voorwoord¶

Muziek classificeren¶

Inhoudsopgave ¶

Libraries en proef data inladen ¶

Feature Engineering ¶

Spectrale Bandbreedte voor Geluid¶

Spectrale Centroiden voor Geluid¶

Tonnetz ¶

Spectrale Rolloff¶

Spectraal Contrast¶

MFCC's¶

Root Mean Square energy¶

Chroma Feature¶

Zero Crossing Rate¶

Tempo & Beat ¶

Harmonie ¶

Data Inladen ¶

Clusteren ¶

Uitzoeken van Cluster Algoritme ¶

KMeans Clustering ¶

Voorbeeld iteratief process:

Cluster Onderzoek ¶

Afstanden ¶

Grafieken ¶

PCA ¶

Voorbeeld iteratief process:

Verschil in PCA en NMF¶

NMF¶

bronnen NMF¶

NMF 2 ¶

Suggestie App¶

Bevindingen en conclusie¶

Bronnen¶

	mean_bandwidth	mean_beat	mean_centroids	mean_harmonie	mean_rms_energy	mean_spectral_contrast	mean_spectral_rolloff	mean_tempo	mean_tonnetz	mean_zcr	...	mfcc1_mean	mfcc20_mean	mfcc2_mean	mfcc3_mean	mfcc4_mean	mfcc5_mean	mfcc6_mean	mfcc7_mean	mfcc8_mean	mfcc9_mean
genre
blues	-0.962848	-0.067569	-0.901665	0.326426	0.445559	0.491243	-0.862672	-1.568523	0.015649	-0.759994	...	-0.263798	-0.505011	0.918134	0.243213	0.556125	0.184839	0.188702	0.039634	0.233437	0.177360
classical	-1.283423	-1.396333	-1.115026	-0.151545	-1.175338	0.848172	-1.287750	0.401609	1.256835	-0.552573	...	-1.532584	1.323335	1.129616	-0.713336	-0.805599	0.187766	-1.129266	-0.087103	-1.427242	0.067154
country	-0.087529	-0.188934	-0.181292	0.338447	0.254206	0.524883	-0.166793	-0.069946	0.501087	-0.198584	...	0.264289	-0.454321	0.290693	0.339520	0.307473	-0.060878	-0.226583	-0.192221	-0.180159	-0.517528
disco	0.696171	0.171105	0.508099	0.960317	0.556157	-0.560642	0.576433	0.305484	-0.266149	0.148240	...	0.493680	-0.216592	-0.543266	0.305322	-0.784593	0.532762	-0.148738	0.742088	-0.372970	0.710443
hiphop	0.171094	0.449266	0.447543	0.283238	-0.100621	-0.186977	0.449276	0.129152	-0.219113	0.465422	...	0.408264	0.260917	-0.543491	-0.585650	0.695698	-0.667020	1.422759	-0.765019	1.277316	-0.152469
jazz	-0.560886	0.319686	-0.769580	0.170312	-0.766630	0.526863	-0.684459	-0.006439	0.159303	-0.851891	...	-0.712067	-0.385368	0.634218	0.095933	0.260028	-0.483867	-0.147716	-0.247177	-0.249819	0.062708
metal	-0.073127	0.353569	0.502345	-0.902857	0.065198	-0.244557	0.266441	1.010133	-0.346046	1.122383	...	0.711583	0.318826	-0.433773	-0.932222	1.311821	-1.029750	1.069734	-0.735267	1.189815	-0.881726
pop	1.455405	-0.034044	1.288320	-0.362690	1.224541	-1.145759	1.315076	-0.403529	-0.474510	0.880912	...	0.783727	-0.151191	-1.110466	0.967487	-1.477903	0.636546	-1.024685	0.956033	-0.852722	0.912750
reggae	0.423297	-0.033274	-0.009959	-0.757139	-0.396511	-0.484485	0.153553	0.137896	-0.393277	-0.536040	...	-0.476479	0.378747	-0.205455	0.606452	-0.312523	0.886485	-0.179706	0.637009	0.191636	0.335474
rock	0.221846	0.426527	0.231215	0.095492	-0.106560	0.231259	0.240894	0.064162	-0.233779	0.282125	...	0.323387	-0.569342	-0.136208	-0.326718	0.249476	-0.186882	0.175498	-0.347977	0.190707	-0.714166

	X1	X2
1	-0.55685013	0.13510892
2	1.5010742538568933	1.40175507
3	-1.40423075	-1.55375261
4	0.65369363	0.55732431
5	-0.193687	-0.54043569

	PCA_Component_1	PCA_Component_2	PCA_Component_3
filename
m00003.wav	4.235612	-2.055890	-0.720285
m00012.wav	6.136067	-0.594984	0.646706
m00013.wav	1.177170	-2.997248	3.263309
m00043.wav	4.000373	-1.748447	-2.114490
m00044.wav	-4.145249	-3.360042	-3.709625
...	...	...	...
m00971.wav	-3.063247	-2.178624	-2.070839
m00973.wav	-0.396747	4.693099	-0.285384
m00988.wav	-0.097874	4.645286	-1.303385
m00991.wav	-2.335465	-3.013813	2.475883
m00995.wav	-1.469824	-4.060340	-0.940655

	PCA_Component_1	PCA_Component_2	PCA_Component_3
cluster
0	-0.881684	3.475096	-0.164351
1	4.890509	-1.182574	-0.197208
2	-2.356049	-2.775819	0.300037

	mfcc1_mean	mfcc2_mean	mfcc3_mean	mfcc4_mean	mfcc5_mean	mfcc6_mean	mfcc7_mean	mfcc8_mean	mfcc9_mean	mfcc10_mean	...	mean_bandwidth	mean_centroids	mean_spectral_contrast	mean_tonnetz	mean_spectral_rolloff	mean_rms_energy	mean_zcr	mean_beat	mean_tempo	mean_harmonie
count	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	...	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000	105.000000
mean	0.713325	0.439719	0.399065	0.428874	0.559996	0.463504	0.480816	0.525584	0.450691	0.487541	...	0.525956	0.495121	0.411253	0.458024	0.502898	0.415691	0.479663	0.332460	0.382754	0.926527
std	0.242423	0.268921	0.240074	0.249618	0.214397	0.225499	0.204837	0.229628	0.246470	0.232694	...	0.275154	0.268842	0.242931	0.197144	0.275531	0.270905	0.231315	0.083735	0.204204	0.123128
min	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	...	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
25%	0.499268	0.227978	0.211305	0.242759	0.403624	0.322576	0.318539	0.395461	0.264517	0.349721	...	0.252340	0.210687	0.208707	0.336822	0.217757	0.127072	0.275954	0.317687	0.240000	0.956587
50%	0.820982	0.378098	0.354820	0.371553	0.573954	0.415137	0.451669	0.467025	0.404343	0.441233	...	0.517625	0.542856	0.418055	0.441245	0.540074	0.425861	0.485893	0.333108	0.335664	0.961914
75%	0.896399	0.692374	0.617295	0.620374	0.725300	0.552778	0.644463	0.707698	0.649023	0.628641	...	0.805383	0.691017	0.584579	0.558136	0.750373	0.649673	0.648706	0.347204	0.512821	0.962877
max	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	...	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000

	NMF_Component_1	NMF_Component_2	NMF_Component_3
filename
m00003.wav	0.022219	0.538570	0.331300
m00012.wav	0.071243	0.658065	0.157665
m00013.wav	0.000000	0.395245	0.689557
m00043.wav	0.036629	0.530188	0.291035
m00044.wav	0.033812	0.000000	0.631686
...	...	...	...
m00971.wav	0.084712	0.062685	0.564332
m00973.wav	0.383193	0.198367	0.008603
m00988.wav	0.383194	0.186904	0.000000
m00991.wav	0.003947	0.174468	0.862957
m00995.wav	0.000000	0.205393	0.719270

	mfcc1_mean	mfcc2_mean	mfcc3_mean	mfcc4_mean	mfcc5_mean	mfcc6_mean	mfcc7_mean	mfcc8_mean	mfcc9_mean	mfcc10_mean	...	mean_bandwidth	mean_centroids	mean_spectral_contrast	mean_tonnetz	mean_spectral_rolloff	mean_rms_energy	mean_zcr	mean_beat	mean_tempo	mean_harmonie
count	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	...	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000	50.000000
mean	0.647249	0.487332	0.419637	0.500381	0.478063	0.523164	0.455409	0.491749	0.477961	0.499348	...	0.505844	0.470589	0.453101	0.386478	0.486691	0.405863	0.449987	0.825163	0.461538	0.472540
std	0.227837	0.204479	0.213392	0.251376	0.234638	0.276432	0.264650	0.285977	0.265674	0.281112	...	0.207672	0.201221	0.223718	0.188257	0.202795	0.218951	0.214010	0.141550	0.178700	0.152046
min	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	...	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
25%	0.520977	0.354092	0.282704	0.306407	0.327383	0.280541	0.247423	0.232204	0.263917	0.223888	...	0.399856	0.358767	0.279424	0.290832	0.395530	0.275181	0.288065	0.815907	0.354667	0.506262
50%	0.718615	0.504105	0.373851	0.512183	0.439452	0.572648	0.375780	0.452855	0.435074	0.473759	...	0.466852	0.443709	0.464893	0.373760	0.482860	0.377013	0.449679	0.850887	0.466667	0.521117
75%	0.800279	0.603771	0.552962	0.699577	0.654092	0.744517	0.678699	0.729770	0.712470	0.718190	...	0.604076	0.588606	0.613417	0.464425	0.599470	0.510883	0.569762	0.867246	0.560000	0.522372
max	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	...	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000

	NMF_Component_1	NMF_Component_2	NMF_Component_3	genre
filename
m00041.wav	0.007348	0.144511	1.019306	pop
m00102.wav	0.445012	0.000000	0.074475	classical
m00192.wav	0.140916	0.155811	0.432768	classical
m00236.wav	0.484691	0.029504	0.108606	classical
m00248.wav	0.055577	0.754090	0.166697	metal

Kip	Eieren dag 1	Eieren dag 2
A	1	3
B	2	5
C	2	1
D	5	5
E	4	2
F	3	4
G	1	4
H	5	3

	X1	X2
1	2.5	3.5
2	4.2	5.0
3	1.8	1.5
4	3.5	4.0
5	2.8	2.7